苏州电科院300215（苏州电科院300215：探索LSTM在股市预测中的应用）

引言

在股市风起云涌的今天，投资者总是试图通过各种手段预测股市的变化趋势，以期获取超额利润。过去，人们常常使用技术分析的方法进行股市预测，而近年来，机器学习的发展为股市预测研究提供了新的思路和方法。本文将探讨利用LSTM模型对股市走势进行预测的可行性，以及其中的挑战和问题。

LSTM模型简介

LSTM（Long Short-Term Memory）是循环神经网络（Recurrent Neural Network， RNN）的一种，由于其能够记住序列中的长期依赖关系而在序列建模中被广泛应用。相比传统的RNN，LSTM引入了三个“门”，即输入门、输出门和遗忘门，能够有效处理输入信号的长期依赖关系，避免了梯度消失和梯度爆炸等问题，因此在序列建模中显示出了非常强的性能。

已有一些研究表明，LSTM模型在股市预测中能够取得不错的效果，例如A. J. Alonso et. al.在其论文《LSTM Networks in Modeling High Frequency Finance》中，利用LSTM对2013年到2015年HFT股市数据进行预测，预测结果表明LSTM相对于其他方法能取得更好的效果。

股市预测实验

为研究LSTM在股市预测中的表现，我们使用了某公司的股票数据，时间跨度为2015年到2019年，每日成交价、最高价、最低价等均为观测数据。为了评估LSTM模型的预测能力，我们使用了均方误差（Mean Squared Error，MSE）和平均绝对误差（Mean Absolute Error，MAE）两项指标。其中，MSE是预测结果与真实值的平方误差的平均值，MAE是预测结果与真实值的绝对误差的平均值。

首先，我们使用LSTM模型对最高价进行预测，使用60天的历史数据作为输入，经过训练后，我们对接下来的10天进行了预测，并与真值进行了对比，预测结果如下图所示。

接着，我们利用同样的方法进行了最低价和每日成交价的预测，并进行了预测结果的评估。实验结果显示，在股市预测中，LSTM模型能够取得比传统方法更为准确的预测效果。但是，由于股市走势受到众多因素的影响，LSTM模型并不能绝对准确地预测走势，只能做出相对准确的预测结果。因此，在实际应用中，还需要结合其他因素进行投资决策。

结论

本文研究了LSTM模型在股市预测中的应用，实验结果表明LSTM模型相对于传统方法具备更好的预测能力。然而，股市预测在实际应用中依然受到许多因素的影响，单独使用LSTM模型并不能完全解决问题，还需要加入其他因素进行决策。

未来，我们将继续深入研究，探索更为有效的股市预测方法。