相关实验视频
一个使用粒子群优化和长期短期记忆网络的新框架,用于股票市场的预测
MohammadEsmael Heidari Safari1, Soodeh Hosseini2
1Department of Computer Science, Faculty of Mathematics and Computer, Shahid Bahonar University of Kerman, Kerman, Iran.
Scientific reports
|November 27, 2025
概括
这项研究通过将深度学习与优化和情绪分析相结合,增强了股价预测. 混合型SEN-PSO-LSTM模型在波动的金融市场中显著提高了预测准确性.
科学领域:
- 量化金融 量化金融
- 计算智能是一种计算智能.
- 自然语言处理自然语言处理.
背景情况:
- 由于市场的非线性和情绪,股票价格预测是复杂的.
- 传统的模型与金融市场的动态性质作斗争.
- 准确的预测对于投资策略至关重要.
研究的目的:
- 开发一个智能混合框架,以改善股票价格预测.
- 将长短期记忆 (LSTM) 网络与元启发式优化集成在一起.
- 纳入金融情绪分析,以提高预测准确度.
主要方法:
- 评估了多个LSTM网络架构 (单层,双层,三层).
- 采用了元启发算法 (粒子群优化,灰狼优化,人工子优化) 来进行超参数调整.
- 综合金融情绪特征使用FinBERT模型.
主要成果:
- 粒子集群优化 (PSO) 的性能优于其他优化技术.
- 混合型SEN-PSO-LSTM模型在不同种类的股票中表现出卓越的预测性能.
- 整合情绪分析在波动的市场条件下显著提高了准确性.
结论:
- 结合深度学习 (LSTM),超参数优化 (PSO) 和情绪分析 (FinBERT) 是有效的股票预测.
- 拟议的框架为导航复杂的金融市场提供了一个强大的解决方案.
- 这种方法提高了预测准确性,特别是在市场波动的情况下.