股市价格预测：一种混合 LSTM 与序列自注意力的方法
人工智能
2024-07-26 v1 机器学习
摘要
股市是最引人入胜的研究领域之一，预测股价可通过在正确时机做出最优决策助投资者获利。深度学习策略已成为金融市场领域的关键技术。股市受两方面影响：其一为地缘政治、社会与全球事件，价格趋势可能据此受影响；其二则纯粹聚焦于历史价格趋势与季节性，使我们得以预测股价。本文旨在关注第二方面并构建以最小误差预测未来价格的模型。为提供更好的股价预测结果，我们提出一种名为长短期记忆（LSTM）结合序列自注意力机制（LSTM-SSAM）的新模型。最后，我们在 SBIN、HDFCBANK 与 BANKBARODA 三个股票数据集上开展大量实验。实验结果证明了所提模型相较现有模型的有效性与可行性。实验结果表明，均方根误差（RMSE）与 R 平方（R2）评价指标取得了最佳结果。
引用
@article{arxiv.2308.04419,
title = {Stock Market Price Prediction: A Hybrid LSTM and Sequential Self-Attention based Approach},
author = {Karan Pardeshi and Sukhpal Singh Gill and Ahmed M. Abdelmoniem},
journal= {arXiv preprint arXiv:2308.04419},
year = {2024}
}
备注
13 pages, 11 figures