Прогнозирование акций на основе сверточной нейронной сети в сочетании с нейронной сетью с долговременной и кратковременной памятью

В данной статье анализируется прогностическая эффективность сверточных нейронных сетей и нейронных сетей с долговременной кратковременной памятью на данных акций Amazon, а также определяются перспективы внедрения методов глубокого обучения в практику прогнозирования акций. Анализируя различные измерения набора данных Amazon и используя архитектуру PyTorch для моделирования сверточных нейронных сетей и нейронных сетей с долговременной кратковременной памятью, выявляются проблемы улучшения их структур. В этом исследовании особое внимание уделяется внутренним структурам сверточных нейронных сетей и нейронных сетей с долговременной кратковременной памятью, а также их преимуществам и недостаткам в прогнозировании акций. Свёрточные нейронные сети (CNN) хорошо справляются с извлечением локальных характеристик, таких как краткосрочные тенденции и характеристики колебаний, из данных о акциях. Однако по-прежнему существуют такие проблемы, как невозможность сосредоточиться на долгосрочных тенденциях и нечувствительность к данным секвенирования. Сети с долговременной краткосрочной памятью (LSTM) хорошо работают с данными временных рядов и могут эффективно фиксировать долгосрочные зависимости в данных об инвентаризации. Однако он нечувствителен к локальным особенностям, и при наличии большого количества шума он будет переобучать обучающие данные, что приведет к недостаточной способности к обобщению. Поэтому в данной статье разрабатывается модель CNN-LSTM, сочетающая преимущества обеих моделей. CNN отвечает за извлечение локальных признаков, в то время как LSTM отвечает за регистрацию долгосрочных тенденций и циклических закономерностей, обеспечивая более полное извлечение признаков и моделирование временных рядов данных. Результаты показывают, что модель CNN-LSTM превосходит модели CNN или LSTM в прогнозировании цен акций и может лучше справляться с нелинейностью и сложными колебаниями рынка.