基于M带小波的SVR和RNN-LSTMs模型的股票预测

然后，他们将使用这些数据获取其他股票技术指标，如韦尔斯·怀尔德的方向移动指标、商品通道指数、动量振荡器、价格振荡器、变化率、相对长度指标等，用于股票预测算法。本研究将小波去噪后的股票数据用于训练各种机器学习方法（即SVR和NN），然后分析其有效性。B、 LSTM神经网络在本研究中，使用了具有外部（外源）输入的非线性自回归（NARX）和LevenbergMarquardt（即阻尼最小二乘）训练算法。利用MATLAB的神经网络时间序列工具箱，创建了10个隐藏层的神经网络，以使用苹果以及其他23只相关股票的历史数据预测苹果股票：图3。10层神经网络模型。该模型由神经网络使用历史数据作为输入进行训练，然后用于预测第二天的股票价值。下表比较了苹果股票1天历史值、5天历史值和10天历史值的RMSE值，包括有无小波去噪。表1.神经网络模型的RMSE比较历史数据数第5天第10天原始数据10.098 5.68 3.416小波去噪数据5.254 1.194 0.879在表A中，我们可以观察到历史数据的增加会导致较低的预测误差。与未经处理的数据相比，小波去噪也能提高预测率。图4：。使用1天原始历史数据的苹果股票神经网络模型图5。使用1天去噪历史数据的苹果股票神经网络模型。图6：。使用10天原始历史数据的苹果股票神经网络模型图7。

使用10天去噪历史数据的苹果股票神经网络模型如上图所示，经小波去噪预处理的模型的训练误差明显较小，从而提高了预测精度。C、 支持向量回归利用MATLAB的回归工具箱，使用不同的核创建各种SVRModel。在训练SVR模型时，使用了来自苹果公司以及其他23只相关股票的历史股票数据，以便它使用一天的数据以递归方式预测股票在第二天、第5天、第10天等的走势。此方法的示例如下：表II。苹果股票次日预测不同SVR KEVEL的比较KernelerError和最佳拟合平方RMSE Mae原始小波原始小波原始小波线性0.98 0.97 1.9631 1.9893 1.4673 1.4586二次0.97 0.97 2.2321 2.1907 1.6951 1.6125立方0.95 0.96 2.5139 2.237 1.8821 1.8031 fine Gaussi a n 0.94 0.95 3.1253 2.7608 2.3987 2.1611中等高斯0.97 0.97 2.002 1.9795 1.54 1.5219粗高斯0.94 0.95 2.9331 2.883 2.2317 2.2359表III.苹果股票未来5天预测的不同SVR KEVEL与最佳拟合平方RMSE原始小波原始小波原始小波线性0.93 0.93 3.1369 3.1245 2.4152 2.2966平方0.97 2.2165 2.2238 1.17402之间的比较1.7443立方0.92 0.97 3.431 2.2292 2.1515 1.7323细高斯a n 0.93 0.94 3.1304 2.9433 2.2481 2.2188中等高斯0.96 0.96 2.3102 2.3649 1.7631 1.8457粗高斯0.91 0.91 3.6734 3.7127 2.912 2 2.951表IV。

苹果股票未来13天预测的不同SVR KEVEL之间的比较KernelerError和最佳拟合平方RMSE Mae原始小波原始小波原始小波线性0.92 0.93 3.371 3.2017 2.4475 2.3962二次0.95 2.7389 2.1604 1.9181 1.67Cubic 0.94 0.94 2.8358 2.2697 2.0894 1.765精细高斯a n 0.92 0.94 3.3907 2.9749 2.5148 2.1824中等高斯0.96 0.94 2.4995 2.3642 1.9466 1.8496粗高斯0.85 0.85 4.7299 4.6785 3.7144 3.6206表V.苹果股票下一个21天预测的不同SVR KEVEL之间的比较KernelerError和最佳拟合平方drmsemae原始小波原始小波0.89 0.89 3.8937 3.8688 2.9954 2.9182平方0.96 2.4058 2.4013 1.8694 1.8403立方0.96 0.96 2.404 2.3538 1.9004 1.8131精细高斯a n 0.94 0.95 2.9382 2.633 2.1888 1.9919中等高斯0.95 0.95 2.729 2.6223 2.058 1.9545粗高斯0.82 4.9184 4.9072 3.9097 3.9166大多数生成的模型具有很强的拟合，具有相对较高的R值。这些结果还表明，对于SVR和NN模型，小波t变换成功地平滑了ns数据并提高了预测精度。SVR和NN这两种机器学习方法本身也是有效的。在SVR中，某些核（如立方核）的RMSE值相对较低，尽管它们在股票预测方面表现不佳。在这项研究中，线性和高斯核被发现是最精确的。五、 讨论和结论本研究的结果表明，建议的方法是股票预测的一种有效方法。小波变换和去噪技术可以用来处理股票数据，而小波变换和去噪技术可以用来更有效地训练机器学习模型。

研究发现，尽管HSVR和NN模型的方法不同，但它们都是精确的机器学习方法；递归地使用先前预测的数据来预测下一天的长期预测。当预测F-天数时，也发现预测率更准确，其中F是一个Fibonaccinumber。尽管有趣，但这一现象与金融部门目前使用的预测方法一致。通过将这两种机器学习技术结合到一个重叠模型（基于小波的SVR-NN）中，而不是将它们分开，可以扩展这一研究的结果。我们还希望进一步探索SVR中的其他各种核，即新建立的小波核，并评估其在预测精度方面的性能。我们相信，这项研究的结果还可以更好地选择用来训练我们机器学习模型的一篮子股票。致谢我们要感谢西康涅狄格州立大学、华盛顿州立大学学生ZF协会、WCSUKathwari荣誉计划和Sherman Tao先生持续的财政支持。参考文献【1】Y.S.Abu Mostafa和A.F.Atiya，《金融预测导论》，应用情报，6（3），第205–213页，1996年【2】S.Hochr eiter和J.Schmidh uber。“长期记忆”，神经计算，9（8）：1735-17801997页。[3] P.Malhotra、L.Vig、G.Shroff1、P.Agarwa，“用于时间序列异常检测的长-短期记忆网络”，ESANN2015年论文集，欧洲人工神经网络、计算智能和机器学习研讨会。布鲁日（比利时），2015年。[4] L.J.Cao和Francis E.H.Tay，“金融时间序列预测中具有自适应参数的支持向量机”，IEEETransactions on Neural Networks，第14卷，第6期，2003年。[5] K.Kyung-jae。

“使用支持向量机进行金融时间序列预测。”神经计算55，第1-2期：第307-3192003页。[6] F.A.Gers、J.Schmidhuber和F.Cummins，“学会遗忘：用LSTM进行连续预测”，《神经计算》，第12卷，第10期，第2451-24712000页。[7] N.Cristianini，J.Shawe Taylor，“支持向量机和其他基于内核的学习方法的介绍”，剑桥大学出版社，英国剑桥，2000年。[8] X.Di，“使用支持向量机进行技术创新”，斯坦福大学，2014年。[9] S.H.Huang，P.J.Chuang，C.F.Wu，H.J.Lai，“基于混沌的支持向量机（supportvect）或r eg-ress i on S F or ex ch a n ge r at e F orec a st i n g”，专家系统与应用37，第8590-85982010页。[10] B.Eraker，“股票价格和波动率是否上升？现货和期权价格的调节证据”，《金融时报》，第1367-14032004页。[11] A.Kazem，E.Sharifi，F.K.Hussain，M.Saberi，O.K.Hussain，“股票市场价格预测的基于混沌的萤火虫算法支持向量回归”，应用软件计算，第13卷，947 958。2013年。【12】F.A.Gers、D.Eck和J.Schmidhuber，“通过时间窗方法将LSTM应用于时间序列预测表”，神经计算神经网络透视图WIRN Vietri-01，第193–200页，2002年。[13] F.A.Gers、N.N.Schraudolph和J.Schmidhuber，“使用LSTM递归网络学习精确计时”，使用LSTM递归网络学习精确计时，第115–143页，2002年。[14] R.Cohen，“使用小波进行信号去噪”，项目报告，以色列理工学院电气工程技术系，海法，2012年。[15] T.Lin、S.Xu、Q.Shi和P.Hao，“具有完美重构的正交M带小波的代数构造”，应用数学与计算，第172卷，第2期，第717-7302006页。[16] L.Khaidem，S.Saha，S.R。

Dey，“预测股市价格的方向”，应用数学金融学，pp。1-20, 2016.[17] M.Lam，“用于财务绩效预测的神经网络技术：集成基础和技术分析”，《决策支持系统杂志》37:567-5812004页[18]T.S.Lee，N.J.Chen，“使用神经网络研究非现金交易指数期货的信息含量”，专家系统与应用22:225-234，2002年。[19] T.S.Lee，C.C.Chiu，“开放式ca Sprice指数的神经网络预测”，《国际系统科学杂志》33:2292372002页。[20] W.Leigh，R.Purvi s，J.M.Ragu sa，“利用技术分析、模式识别器、神经网络和遗传算法预测N YSE复合指数：浪漫决策支持中的案例研究”，《决策支持系统》32:361-3772002页。[21]T.-J.Xieh，H.-F.Xiao和W.-C.Yeh，“利用小波变换和递归神经网络预测股市：基于人工蜂群算法的集成系统”，AppliedSoft Computing，第11卷，第2期，第251-2525252011页。[22]S.Madge，“使用支持向量预测股价方向”，普林斯顿独立工作报告，2015年。[23]L.C.Giles、S.Lawrence和A.C.Tsoi，“使用递归神经网络和语法推理的噪声时间序列预测”，机器学习，第44卷，第1期，第161-183页。[24]P.F.Pai，C.S.Lin，“股票价格预测中的混合ARIMA和支持向量机模型”，Omega，第3卷，第6期，497-5052005。[25]Z.Pan，X.Wang，“使用小波的随机非线性回归估计”，计算经济学，第11卷，第89-1021998页。[26]Z.Pan，X.Wang，“基于小波的方差函数非参数估计”，计算经济学，1998年。【27】米。

鲁宾斯坦（Rubinstein），《金融杂志》（Journal of Finance），第49卷，1994年。[28]V.H.Shah，“股票预测的机器学习技术”，库兰特数学科学研究所，2007年。【29】A.J.Smola和B.Sch"olkopf，“支持向量回归教程”，统计与计算，第14卷，第3期，第199–2222004页。【30】B.Yekkehkhany、A.Safari、S.Homayouni和M.Hasanlou，“基于SVM的多时相极化Sar数据分类不同核函数的比较研究”，ISPRS国际摄影测量、遥感和空间应用科学档案馆，第XL-2/W 3卷，第281-285页，2014年。[31]Hieu Q.Nguyen，王小笛。M波段小波域“彩色条码”伪量子隐写术。《国际信号处理杂志》，1160-1682016年。[32]L.Cao和F.Tay，“金融时间序列预测中具有自适应参数的支持向量机”，IEEE神经网络交易，第14卷，第6期，第1506–15182003页。[33]C.-F.Tsai，S.-P.Wang，“混合机器学习技术预测股价”，《工程师和计算机科学家国际多学科会议论文集》，2009年。【34】V.Vapnik，“统计学习理论的性质”，SpringServerlag，1995年。【35】V.Vapnik，“统计学习理论”，John Wiley和Son s，1998年。[36]I.H.Witten，E.Frank，M.A.Hall，C.J.Pal，“数据挖掘：实践与技术学习”，Morgan Kauf mann，2016年。[37]G.P.Zhang和M.Qi，“季节和趋势时间序列的神经网络预测”，《欧洲运筹学杂志》第160501-5142005卷。