基于RF-LSTM组合模型的股票价格预测
李辉1
化金金2
邹波蓉1
1.河南理工大学 物理与电子信息学院,河南 焦作 4540002.河南理工大学 电气工程与自动化学院,河南 焦作 454000
摘要：股票数据具有非线性和复杂性等特点,单一模型预测效果不佳,针对此问题,提出一种RF-LSTM组合模型,用于预测股票的收盘价.首先,利用Tushare财经数据包获取股票数据,构建特征集,并对数据进行归一化处理;其次,考虑到多特征之间存在高度的非线性和信息冗余问题,利用随机森林(RF)选择最优特征集,降低数据维度和训练复杂度;最后,利用深度学习中适合处理时间序列的长短期记忆网络(LSTM)对股票价格进行预测,并对预测模型进行参数调优.结果表明,与单一结构的LSTM神经网络模型预测相比,本文提出的RF-LSTM组合模型预测的平均绝对误差(MAE)、均方误差(MSE)和均方根误差(RMSE)分别减小了13.11％,6.70％和12.54％.该组合模型可提高股票价格预测的准确性.
关键词：股票预测机器学习长短时记忆网络随机森林
分类号：TP319(计算技术、计算机技术)
资助基金：河南省基础与前沿技术研究计划(152300410103)
论文发表日期：2022-02-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：7( 136-142 )
英文信息