MDT-CNN-LSTM模型的股价预测研究

股价预测一直是投资者在股票市场中关注的焦点。近年来,深度学习技术在这一领域得到广泛应用。在融合卷积神经网络(CNN)和长短时记忆网络(LSTM),构建CNN-LSTM模型的基础上,引入多向延迟嵌入的张量处理技术MDT(mutiway-delay-embedding),对每日股票因子向量进行因子重构,生成汉克尔矩阵,按时间并排生成汉克尔张量,作为CNN-LSTM模型的输入。利用CNN的卷积与池化对包含因子相关性信息的输入数据提取特征,再将输出的特征矩阵输入到LSTM模型进行关联预测,从而构建了MDT-CNN-LSTM混合模型。选取涉及22个行业的48家公司及12个股票因子进行股价预测,通过从预测精度和时效性两个方面对比实验,显示提出的方法表现优于其他模型,最后选取四类股票指数进行预测,模型效果依旧处于较优水准,验证了引入MDT技术的有效性和可行性。

嵌入空间的低秩张量填充算法

以高精度低秩张量填充算法为基础,提出了在嵌入空间中的低秩张量填充算法.先将缺失数据经过多向延迟嵌入变为高阶Hankel张量,再基于核范数最小化进行填充,最后使用多向延迟嵌入的逆操作得到最终的填充数据.通过数值实验表明,针对张量的条状或块状缺失,新算法比HaLRTC、DR-TR算法更有效.