论文部分内容阅读
针对传统单一的LSTM算法在股票预测中存在预测不平衡,容易陷入局部最优值二而导致的预测准确率偏低的问题,提出了一种基于时序集成森林的股票多类别预测算法。该算法分为两部分,首先是随机森林改进的LSTM进行股票的收盘价预测;其次,根据第二天预测的收盘价与前一天的收盘价对比得到涨跌信号;最后将LSTM提取的时序特征与涨跌信号输入集成森林进行股票的涨跌预测。该算法充分利用了LSTM提取时序特征的能力、随机森林的拟合能力以及集成森林的分类能力。最后在平安银行股票数据上进行了实验,结果表明,本文提出的算法优于单一的L