写在前面
下面这篇文章的内容主要是来自发表于2019 IEEE Intl Conf on Dependable, Autonomic and Secure Computing, Intl Conf on Pervasive Intelligence and Computing, Intl Conf on Cloud and Big Data Computing, Intl Conf on Cyber Science and Technology Congress (DASC/PiCom/CBDCom/CyberSciTech)的一篇文章《Multi-factor Based Stock Price Prediction Using Hybrid Neural Networks with Attention Mechanism》。这篇文章提出了一种结合了CNN与LSTM的混合神经网络模型,并引入了注意力机制,将其应用于股价的预测当中,实验验证了提出的模型具有较好的预测效果。原论文在文末进行获取。
1
摘要
由于现实中存在的许多因素,它们都会造成对模型预测精度的影响。因此很难预测诸如股票价格之类的时间序列数据。另外,不同的因素对股票价格的影响可能是线性的或非线性的。因此,提出具有良好效果和泛化能力的股票价格预测模型对研究人员提出了挑战。长短期记忆(LSTM)是递归神经网络(RNN)的一种变体,它可以捕获时间序列在时间上的依赖关系并在时间序列预测上取得了一系列的成果。同样,卷积神经网络(CNN)在多维序列的提取特征方面也很出色。因此,在本文中,作者提出了一种结合多种因素的CNN-LSTM混合神经网络来预测股票价格。除此之外,作者还添加了一种注意力机制来提高CNN-LSTM模型的预测准确性。在实验部分中,作者在两个真实的股票数据集中比较了提出的模型和几种对比方法。结果证实