LSTM對上證指數的實證分析

周生強

摘要：本文以1990年至2017年的上證指數作為分析對象，利用深度學習中的LSTM模型，以keras平臺作為工具，以Python3.5作為開發環境，建立六層神經網絡，對上證指數進行預測，得出了一般情況下增加次迭次數能夠提高網絡預測效果的結論。

關鍵詞：上證指數；LSTM

中圖分類號： F830.91 文獻識別碼：A 文章編號：1001-828X（2017）013-0-01

1943年，心理學家W·Mcculloch和數理邏輯學家W·Pitts在分析、總結神經元基本特性的基礎上首先提出神經元的數學模型。此模型沿用至今，并且直接影響著這一領域研究的進展。因而，他們兩人可稱為人工神經網絡研究的先驅。50年代末，F·Rosenblatt設計制作了“感知機”，它是一種多層的神經網絡。這項工作首次把人工神經網絡的研究從理論探討付諸工程實踐。當時，世界上許多實驗室仿效制作感知機，分別應用于文字識別、聲音識別、聲納信號識別以及學習記憶問題的研究。M.Minsky等仔細分析了以感知器為代表的神經網絡系統的功能及局限后，于1969年出版了《Perceptron》一書，指出感知器不能解決高階謂詞問題。他們的論點極大地影響了神經網絡的研究。人工神經網絡研究陷入低潮。后來人工神經網絡幾經沉浮hiton等，2006年2012年，多倫多大學的 Geoff Hiton利用深度學習的新技術，帶領團隊實現了85%的圖像識別準確率。開創了機器學習的新紀元。從此深度學習開始從學術界走向了工業界，掀起了改變世界的序幕。

LSTM（Long Short-Term Memory，LSTM）是一種時間遞歸神經網絡，LSTM的結構 由Jürgen Schmidhuber在1997年首次提出。借助遺忘門、記憶們的精妙設計結構，LSTM適合于處理和預測時間序列中間隔和延遲非常長的重要事件。

本文的研究數據為上證1990年12月29日到2017年5月2日的日線數據。共4172根。采用了keras平臺，后端采用Tensorflow引擎。Tensorflow是一個符號主義的張量操作框架，由谷歌公司開發研制。對金融時序數據分析采用的至強處理器，16G內存。同時為了加速處理金融數據的能力，利用NVIDA顯卡的GPU提升算法性能，整個算法的軟件環境是在Python3.5上搭建的利用GPU的Tensorflow環境，以前90%的數據為訓練數據，以后10%的數據為預測數據。

首先將上證指數進行歸一化處理，使用的函數是g（x）=（f（x）/f（0）-1）.處理后的數據進行輸入keras進行計算。本次實驗采用的keras網絡架構如下：

包括兩個Lstm層和四個隱層，每50個為一個輸入序列，輸入的數據結構為（4122，50，1），第二層節點為150個神經元，每個隱層的神經元為50個，在不同的迭代次數下，得到如圖所示結果：（藍色為預測曲線）

迭代200次的結果如上圖所示，仍然在100個數據點后喪失了預測能力。

迭代500次后的結果如圖所示，效果較前兩次好轉很多，具有一定的預測能力。根據上述實驗，建立了一個粗略預測上證指數的Lstm模型，具有一定的預測能力，在多次迭代后能夠大概預測股指走向。

參考文獻：

[1]曾志平，蕭海東，張新鵬.基于DBN的金融時序數據建模與決策[J].計算機技術與發展，2017，4：1-5.

[2]陳曲.淺析在線逆向拍賣[J].現代工業經濟和信息化，2015（21）.

[3]孫小軍，張銀利.股票-債券投資組合問題的數學模型及算法[J].系統工程理論與實踐，2015，35（6）：1433-1439.