一个双路径卷积神经网络与基于注意力的双向长短期记忆网络相结合,用于股票价格预测
Guiyan Zhao1, Yunfei Cheng2, Jianhui Yang1
1Qiaoxing School of Economics and Management, Fujian Polytechnic Normal University, Fuzhou, China.
PloS one
|April 22, 2025
概括
由于复杂的数据,准确的股票价格预测是具有挑战性的. 新的DCA-BiLSTM模型使用双路径卷积神经网络与注意力和双向长期短期记忆网络,显著提高了预测准确性.
科学领域:
- * 计算金融学
- * 机器学习 * 机器学习
- * 时间序列分析.
背景情况:
- * 股票价格数据显示非线性,非静止性和复杂的时空模式,这给预测带来了重大挑战.
- *传统的预测方法往往难以捕捉金融时间序列数据中的复杂依赖关系.
研究的目的:
- * 开发和验证一种新的深度学习模型,用于增强股票价格预测.
- * 解决处理复杂金融时间序列特征的现有方法的局限性.
主要方法:
- * 拟议的DCA-BiLSTM模型将双路径卷积神经网络与注意力 (DCA) 和双向长期短期记忆网络 (BiLSTM) 结合起来.
- * 利用波纹包分解来提取高频和低频特征.
- * DCA模块用于强大的深度特征提取,其次是BiLSTM用于模拟双向依赖.
主要成果:
- * DCA-BiLSTM模型在多个股票数据集 (果,谷歌,特斯拉) 和纳斯达克指数中表现出卓越的表现.
- *获得了高的R平方值:0.9507 (果),0.9595 (谷歌),0.9077 (特斯拉) 和0.9594 (纳斯达克).
- * 与传统预测方法相比,错误指标显著减少.
结论:
- * DCA-BiLSTM 模型提供了强大而准确的股票价格预测功能.
- * 调查结果为金融市场分析和投资策略提供了可靠的见解.
- * 该模型的有效性突显了先进的深度学习技术在金融时间序列预测中的潜力.
