打开文本图片集

摘要：股市的可预测性一直备受学术界和金融行业关注。本研究旨在探究金融投资领域中股票市场表现对价格走势的影响，并采用长短期记忆网络（LSTM）神经网络模型进行工商银行股票涨跌的预测，并验证了其对工商银行股价波动趋势的良好拟合能力。随着科技水平的提高和经济市场的发展，传统深度学习的股价分析方法已无法准确预测未来股票价格趋势，而采用LSTM模型进行预测能够有效应对这一挑战。

关键词：LSTM；股票市场；长短期记忆网络；深度学习

中图分类号： 文献标识码：A

0 引言

股票市场一直面临巨大的不确定性和风险，因此人们对股票市场的发展趋势一直持续关注，这对于投资者来说具有极其重要的实际价值。预测股价波动趋势的方法有很多，包括线性回归模型、时间序列预测法、马尔科夫预测方法等等[1]。然而，股票价格的波动并非简单的非线性，常呈现出异方差性，传统的预测方法虽然结构简单易懂，但其对股价的预测精度却不够准确。

神经网络是一种模拟人脑网络结构的模型，通过持续学习、训练和修正，可以实现高精度的拟合预测[2]。与BP神经网络相比，LSTM神经网络能够显著提高预测模型的精度，并且能够挖掘出海量数据中隐藏的大量有效信息。本课题以工商银行股票价格走势为研究对象，基于长短期记忆神经网络构建了预测模型。

1 神经网络

1.1 神经网络基本介绍

神经网络（NN）是一个复杂的非线性动态学习系统，由许多简单的节点（也称神经元）相互连接而构成，类似于人脑的结构。每个节点可视为一个独立的处理器，执行着简单的运算，通过决定是否激活来完成。这个运算过程中所使用的函数称为激活函数。神经网络被比喻为一个无法完全理解其内部运作的“黑箱”，它具有拟合任意函数的能力[3]。当训练数据足够丰富时，只需提供特定的输入值，即可获得与理想输出最接近的值。

1.2 长短期记忆（LSTM）神经网络

常见的循环神经网络包括双向循环神经网络（Bi-RNN）和长短期记忆神经网络（LSTM）。现有的所有递归神经网络都是由重复模块链构成的，因此LSTM也有类似的重复模块链结构。然而，与改进之后的不同之处在于，LSTM具有输入门、输出门、遗忘门和记忆细胞（cell）等组成部分，其结构如图 1所示。

a. 遗忘门 （Forget Gate）

遗忘门（Forget Gate）决定当前时间步单元状态中哪些信息需要被遗忘。它由sigmoid神经网络层和点乘操作构成。

b. 输入门 （Input Gate）

输入门（Input Gate）的作用是决定哪些新的信息将被存储在单元状态中。它由两部分组成：一个层用于确定哪些值将被更新，另一个层用于生成一个新的候选值向量。

c. 输出门 （Output Gate）

输出门（Output Gate）的作用是基于当前的单元状态，决定输出的值。它由一个sigmoid层和一个tanh层组成，用于处理单元状态并生成最终的输出。

2 LSTM在股价预测中的应用

2.1 数据来源

本研究所采用的数据集共包含6列数据，分别是：收盘价、开盘价、最高价、最低价、涨跌值以及交易日期。该数据集记录了从2006年10月至2023年12月的4100个交易日。

2.2 数据处理

首先，我们利用Pandas库对日期列进行了标准化，确保了一致的格式，并将其转换为适用于时间序列分析的数据格式。其次，我们处理了数据中的缺失值，主要集中在成交量和成交金额等指标上。采用了适当的填充方法，将缺失值"--"替换为0。此外，由于股票各个指标变量之间存在量纲上的差异，例如股票开盘价格、收盘价格和涨跌幅指数不在同一个数据级上，因此，我们需要对各个指标数据进行统一的量纲处理，将数据范围缩放到 [0，1] 区间内。所选取的归一化处理方式为：

其中，是经过归一化处理之后的数据，是原始数据，和分别为各指标变量的最小值和最大值。

2.3 实验结果

经过多次迭代，训练误差达到了0.00059，最终绘制出了图 2的股票价格曲线和真实值的对比，说明我们建立的LSTM神经网络模型拟合效果比较好，对工商银行股票价格预测比较贴合现实股票发展情况。进而说明，该模型具有一定的实际意义和实用价值。

3 研究结论

股票在金融市场中扮演着举足轻重的角色，是吸引众多投资者的重要工具。尽管股票投资为投资者带来可观收益，但也伴随着一定的风险。本文通过基于LSTM神经网络模型对工商银行股票价格趋势进行预测，我们发现该模型展现出较好的预测效果，同时验证了构建的LSTM神经网络模型的高精度。这为投资者提供了一定的指导意见。

参考文献：

1.张妮.基于LSTM神经网络的股价预测应用研究[J].现代商业，2021，（16）：116-118.DOI：10.14097/j.cnki.5392/2021.16.038.

2.顾宇衡，潘嘉诚，钱江波，等.阿尔茨海默症的图神经网络分类方法研究进展[J/OL].计算机工程，1-14[2024-04-02].https：//doi.org/10.19678/j.issn.1000-3428.0068719.

3.袁毓林.ChatGPT等大型语言模型对语言学理论的挑战与警示[J].当代修辞学，2024，（01）：2-17.DOI：10.16027/j.cnki.cn31-2043/h.2024.01.003.