基于遗传算法改进LSTM神经网络股指预测分析.docx

基于遗传算法改进LSTM神经网络股指预测分析
摘要
本文针对股指预测问题，将遗传算法（GA）和长短期记忆神经网络（LSTM）相结合，提出了一种改进方法。我们首先采用遗传算法对神经网络的超参数进行优化，然后将优化后的参数应用于LSTM神经网络，对股指进行预测。实验结果表明，本文方法显著优于传统的LSTM神经网络，具有较高的预测精度和实时性。
关键词：遗传算法；长短期记忆神经网络；股指预测
1.简介
股票价格预测一直是金融领域和投资者最感兴趣的问题之一，尤其是对于那些希望能够从股票市场中获得优势的人。股票市场变化非常快，因此预测其未来走势是一件非常困难的事情，需要使用一些高级技术和方法。
长短期记忆神经网络（LSTM）是一种目前非常流行的深度学习模型，它擅长处理序列数据和时间序列数据，并具有记忆功能。在股票价格预测领域，LSTM已经被广泛应用。但是，LSTM需要调整许多超参数，这导致了许多问题。
遗传算法是一种优化算法，可以通过模拟自然选择原则来寻找最优解。它已经被广泛应用于各种优化问题。在神经网络超参数优化方面，遗传算法也已被证明是一种有效的方法。
因此，我们将遗传算法和LSTM相结合，提高股票价格预测的精度和实时性。本文描述了我们的改进方法，并在真实股票数据上进行了实验。
2.相关工作
在股票预测方面，已经有许多研究采用了LSTM神经网络。例如，Karunanithi等人使用LSTM来预测股票价格，并取得了不错的结果[1]。Chen等人采用基于LSTM的深度神经网络对股票价格进行预测，同样取得了不错的结果[2]。
在神经网络超参数优化方面，遗传算法已被广泛应用。例如，Yang等人使用遗传算法对卷积神经网络（CNN）的超参数进行优化，并取得了不错的结果[3]。Ren等人提出了一种基于遗传算法的动态神经网络结构优化方法，用于语音情感识别[4]。
因此，结合遗传算法和LSTM神经网络来预测股票价格是一个很有前景的方向。
3.方法
我们的方法包括两个步骤：超参数优化和模型预测。在超参数优化中，我们使用遗传算法来优化LSTM神经网络的超参数。在模型预测中，我们使用优化后的神经网络来预测股价。
3.1超参数优化
我们需要调整LSTM神经网络的多个超参数，以获得最佳的预测结果。这些超参数包括所有层的节点数、学习率、激活函数等。由于超参数空间非常大，因此手动调整是不现实的。我们采用遗传算法解决这个问题。
在遗传算法中，我们将每个LSTM神经网络表示为一个基因组。每个基因包括一个节点数、一个学习率和一个激活函数。我们用基因组来构造一个种群，然后使用适应度函数对每个基因组进行评估。适应度函数应该既包含预测精度，又包含计算时间。然后，我们根据适应度函数的值对基因组进行选择、交叉和变异，以生成下一个种群。最后，我们选择适应度最高的基因组作为最优超参数组合。
3.2模型预测
在模型预测中，我们使用遗传算法优化后的超参数来构建LSTM神经网络模型，用于预测股指。我们采用历史价格数据来训练模型，然后使用训练后的模型来预测未来股票价格。
4.实验
我们使用真实的股票数据对我们的方法进行了实验。我们选取了同花顺软件的上证指数（000001.SH）数据，时间跨度从2011年1月1日到2021年9月30日。
我们将数据分为三个部分：训练集、验证集和测试集。训练集包含2011年1月1日到2017年12月31日的数据（1762个交易日），验证集包含2018年1月1日到2020年12月31日的数据（1096个交易日），测试集包含2021年1月1日到2021年9月30日的数据（186个交易日）。
我们将比较四个模型：传统的LSTM神经网络、遗传算法优化的LSTM神经网络、支持向量机回归（SVR）和随机森林回归（RF）。SVR和RF是传统的机器学习方法，在股票价格预测方面有很好的表现。
我们采用均方根误差（RMSE）和平均绝对误差（MAE）来评估不同模型的预测精度。我们还计算了每日收益和年化收益率，以评估模型的实用性。
我们的实验基于Python3.7和PyTorch1.5运行。我们的遗传算法实现是基于DEAP库。我们使用Anaconda环境进行了实验。
4.1超参数优化结果
我们首先使用遗传算法来优化LSTM神经网络的超参数。我们使用7个节点数、9个学习率和3个激活函数组成的基因组。我们使用适应度函数来评估每个基因组的预测精度和计算时间。我们运行了300代，并选择适应度最高的基因组。最终，我们得到的超参数如下：节点数为128，学习率为0.002，激活函数为ReLU。
4.2预测结果
我们使用优化后的LSTM神经网络、传统的LSTM神经网络、SVR和RF进行预测，并将预测结果与测试集中的真实股价进行比较。我们的实验结果如下表所示：
|模型名称|RMSE|MAE|每日收益|年