基于鲸鱼算法优化LSTM的股票价格预测模型

摘要：

长短期记忆神经网络(LSTM)因其长时记忆的可预测性,在金融领域脱颖而出.然而前期研究结果显示,该方法存在主观性决定关键参数,容易陷入局部最优,导致能力不佳的问题.基于上述问题,本文提出一种基于鲸鱼算法(WOA)优化长短期记忆网络(LSTM)的股票价格预测模型.该模型通过鲸鱼算法,对LSTM网络的重要参数进行寻优,使之降低人为因素的影响,提高模型预测的准确性.同时,针对股票数据之间的冗余性导致模型效率降低的问题,使用递归特征消除算法对数据进行特征选择,建立完善指标体系进行预测.实验以上证指数股票数据构建了WOA-LSTM模型,并对该模型的预测结果与单一LSTM、PSO-LSTM、SSA-BP模型进行比较分析.实验结果表明,本文所提模型对股票价格的预测明显优于其它模型.

关键词：鲸鱼优化、股票价格预测、长短期记忆网络、递归特征消除

所属期刊栏目：13

分类号：TP391(计算技术、计算机技术)

在线出版日期：2023-02-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：35-40