Stock Prediction using LSTM and Data Preprocessed by Wavelet Transform...

简介：
本文探讨了利用小波变换预处理数据，并结合长短期记忆网络（LSTM）进行股票预测的方法，展示了该模型在金融市场分析中的应用潜力。 股票价格预测属于时间序列预测问题的一种，旨在帮助投资者做出决策以实现利益最大化。该领域的方法大致可分为两类：传统的数学方法与经济方法。传统数学方法包括统计技术如卡尔曼滤波器及自回归模型等，这些早期金融时间序列分析的基础手段在某些情况下仍能提供合理的预测结果。 然而，在处理金融市场数据中的高噪声问题时，上述传统方法往往显得力不从心。因此，文章中提出了一种应用小波变换进行预处理的方法，特别是通过小波阈值去噪技术来降低噪音的影响。这种技巧已经在信号去噪领域得到广泛应用，并且被证明是有效的。 具体来说，小波变换是一种能够同时分析时频信息的技术。它通过对时间序列数据采用适当的小波函数和尺度参数分解成一系列系数的方式捕捉到非平稳特性，这对于金融数据分析中的噪声与趋势识别特别有用。而通过设定阈值去除小于该数值的不重要小波系数来实现去噪，则是进一步提高信号质量的关键步骤。 文章中还介绍了一种名为多最优组合小波变换（MOCWT）的新方法，它设计了一个新颖的小波阈值函数以减少重建过程中的失真。实验结果显示这种方法在预测准确性方面优于传统技术。 此外，长短期记忆网络(LSTM)作为一种特殊的循环神经网络(RNN)，因其能够捕捉长期依赖信息且不易出现梯度消失或爆炸问题而被广泛应用于时间序列数据的处理和预测中。结合LSTM与小波变换的优势来改进股票价格模型已经成为当前金融研究的一个热点。 最后，文章还提到了一种开放获取许可协议——创作共用署名许可（Creative Commons Attribution License），允许用户在适当引用原作的情况下自由使用、复制、分发及再创作内容，但不可用于商业目的。