面向股票价格趋势预测的深度多元回归模型
2019-10-16滕秀萍郑伟
滕秀萍 郑伟
摘 要:建立深度多元回归模型,选取股票开盘价、最高价、最低价作为输入数据,预测股票收盘价格走势。在包含白云机场等52支股票数据集上,对三层深度多元回归模型与四层深度多元回归模型进行预测实验。实验结果表明,四层深度回归模型预测股价走势较为准确。
关键词:深度学习;多元线性回归;股票价格走势预测
中图分类号:F830.91 文献标志码:A 文章编号:1673-291X(2019)21-0071-04
引言
股票价格往往不是受到单一因素影响,而是受到多个因素的影响,因此需要建立包含多个变量的预测模型[1]。于韩君等提出的多元线性回归模型,采用利率、汇率、消费者信心指数、货币供应量、宏观经济指数、国家外汇储备和企业商品价格指数作为自变量,预测股票价格[2],也有选取资产负债率、净利润增长率、每股收益、每股净资产、上证指数等因素预测股票的开盘价[3]。近年来,深度学习方法也应用到预测股票价格领域,韩山杰等提出了以开盘价为输入变量,收盘价为输出的单变量预测模型[4]。刘庆玲提出模糊深度学习网络算法,用来预测短期股价[5]。
上述方法在股价预测方面虽然取得了一定成果,但是还存在数据获取困难、数据更新滞后和变量单一的问题。
鉴于此,本文采用容易获取、实时的股票开盘价、最高价和最低价作为多元线性回归的参数,利用深度学习训练多元回归模型,预测股票的收盘价格走势,提出了一种深度多元回归(Multiple Regression based on Deep Learning,MRDL)模型。
一、深度多元回归模型
本文采用DenseNet网络[6]构建MRDL模型,预测股票的收盘价格走势(如图1所示)。
其中,图1为含有1层隐含层的MRDL模型,记为MRDL_3,每个隐含层含有10个神经元。在图2的基础上添加一层隐含层称为MRDL_4,每个隐含层含有64个神经元。
深度回归模型MRDL目标函数如下:
为提高深度多元回归模型预测结果的准确度,添加服从正态分布的随机变量bij。采用小批量梯度下降法求取?棕ij的最优解,共有m个样本,每次取出k个样本计算loss,m/k次完成整个样本的训练,共迭代3 000次。
MRDL_3 隐含层的10个神经元的输出作为输出层的输入,输出层使用小批量梯度下降法确定每个输入数据所占权重,记为vij,输出得到深度多元回归模型:
二、实验结果分析
(一)实验数据
本文所需数据来自巨潮资讯网站,①包含白云机场、平安银行等52支股票2013年10月1日至2018年10月17日每日开盘价、收盘价、最高价、最低价。
(二)MRDL_3与MRDL_4 预测股价走势
使用训练数据集1为2013年10月1日至2018年8月28日股票数据,测试数据集?壮2为2018年8月29日至2018年10月17日股票数据,部分股票预测30日收盘价趋势(如图2所示)。
通过对52支股票实验分析可知,MRDL_3模型与MRDL_4两种模型预测股票收盘价格趋势,均接近于股票真实收盘价趋势,但是76.92%的股票MRDL_4模型预测更准确,例如图2d东信和平(002017)股价预测趋势。可见,深度多元回归模型层数的增加能够提高预测结果的准确度,但是随着网络层数的增加其训练模型所需的時间增加。
综上所述,若不考虑训练模型所需时间,则使用MRDL_4模型预测股票30日趋势较准确。
结语
本文结合深度学习和多元线性回归方法,提出了一种深度多元回归模型(MRDL)对股票价格走势进行预测。采用DenseNet网络构建以股票开盘价、最高价、最低价为输入变量,预测股票收盘价格走势的深度多元回归模型。为验证MRDL模型的有效性,使用MRDL_3与MRDL_4模型在包含白云机场等52支股票数据集上进行预测实验,验证了本文所提方法的有效性。但是MRDL模型中参数设置不同,对预测结果有影响,下一步将调整模型的参数,尝试使用不同的优化函数训练MRDL模型,提高预测的准确性。
参考文献:
[1] Jie Wu,Dongli Cui.Research on the Factor Analysis Model of Stock Forecasting[J].Statistics and Application,2016,(4):328-334.
[2] 于韩君,刘呈.运用多元线性回归模型分析影响股票价格的宏观因素[J].时代金融,2017,(23):199+210.
[3] 陈璐璐.基于多元线性回归分析的股票价格预测——以中信银行为例[J].经济研究导刊,2016,(19):75-76.
[4] 韩山杰,谈世哲.基于TensorFlow进行股票预测的深度学习模型的设计与实现[J].计算机应用与软件,2018,(6):273-277.
[5] 刘庆玲.基于模糊深度学习网络算法的短期股价预测模型建立[D].哈尔滨:哈尔滨工业大学管理学院,2016.
[6] Gao Huang,Zhuang Liu,Laurens van der Maaten,Lilian Weinberger.Densely Connected Convolutional[J].IEEE Conference on Computer Vision & Pattern Recognition-Copyright,2017.