基于GRU模型的股票价格预测

卢茜妍，卢洪斌

(1.浦发银行广州分行,广东 广州 510623;2.百色学院,广西 百色 533000)

0 引言

通过人工智能对股票价格进行预测受到广泛的关注,传统的机器学习预测方法已经有大量的研究;基于深度学习的循环神经网络及长短时记忆网络也有不少研究成果。研究表明对股票价格的准确预测还有很长的路要走,这是由于导致股票价格波动的主客观因素极其复杂,目前没有一种理论和预测方法能兼顾所有的价格波动因素,因而股价预测研究中应重点考虑模型结构及股价影响因素如何数据化并引入模型中[1]。

当前深度学习模型用于股票价格预测的研究主要采用RNN(Recurrent Neural Network,循环神经网络)模型和LSTM(Long Short Term Memory,长短时循环神经网络)模型,RNN模型的输入序列过长会导致相隔时间较远的数据之间相关性快速下降为0,使得影响股价变化的序列数据限制在有限的时间间隔内,忽视了长时间相关性的一些数据对当前预测值的影响。为解决这一问题引入了LSTM模型,利用LSTM的记忆能力改善了股价的预测准确性。但是这两种深度学习模型的训练效率比较低,不适用于线上实时系统的应用[2]。另外,已有的深度学习模型股价预测研究中,通常输入序列仅仅采用股票价格序列,很少考虑其它股票技术参数变化带来的影响,必然导致预测结果偏离实际情况。

为解决上述股票价格预测研究中存在的问题,本文将GRU(Gated Recurrent Unit,门控循环单元)模型应用到股票价格预测中,GRU模型是对LSTM模型的优化,GRU将LSTM 中遗忘门与输入门合二为一为更新门,使得GRU模型的参数总量比 LSTM 模型大幅减少,降低了模型训练的难度,利于用于实时在线系统[3]。导致股票价格波动的主客观因素很多,以往通过价格时间序列作为模型唯一输入特征的做法是无法训练得到更准确的模型权重矩阵的。本文把影响股价波动的几种股票技术指标用到预测模型中,在输入序列中引入三种特征的数据,这些特征数据除了价格之外,还有成交量、平滑异同移动平均指标。测试结果说明本文提出的方法明显提高了预测系统运行的性能和股价预测的准确度,这为今后进一步探索股价预测的新模型和新方法提供了有益的参考。

1 GRU股价预测模型的搭建

图1 GRU股价预测模型

本文的GRU股价预测模型是这样搭建的:输入层3个节点,第一隐藏层包含80个节点,第二隐藏层包含100个节点;输出层1个节点,损失函数采用ADAM优化算法。以真实的股票历史数据作为训练样本,循环核时间展开步为30步,每个时间步输入特征个数为3。以股票历史数据为模型训练数据,数据中包含时间、开盘价、最高价、最低价、收盘价、成交量、平滑异同移动平均指标,训练标签为股票收盘格,训练完成后得到模型中优化的4个权重矩阵和偏置参数,这样即可使用GRU股票价格预测系统进行在线测试。

2 股票价格预测实验及结果分析

为说明GRU模型降低了模型训练的难度,LSTM模型与搭建的GRU模型的隐藏层数及节点数一致、训练参数相同,检测得到GRU模型比LSTM模型的参数少2万4千多个,GRU模型训练时间相应程度的缩短,说明相同训练条件下GRU模型的效率更高。

为研究影响模型预测准确度的因素,对输入序列只有一个股票价格参数和同时具有价格、成交量、平滑异同移动平均数三个参数的情况分别进行实验,图2为股价预测结果,是对北方华创(股票代码002371)日线收盘价的预测结果和实际收盘价的对比曲线,输入单个特征参数的最大预测偏差为29%,输入三个特征参数的最大预测偏差为12%。从图可见,输入序列有三个特征参数时的预测结果明显好于只有股价一个特征参数时的预测结果。

图2 股价预测结果

图3为股价预测曲线和实际股价曲线对比图,为输入序列有三个特征参数时,在相同训练参数下,中芯国际(股票代码688981)日线和5 min线收盘价的预测结果和实际收盘价的对比曲线。对比输入序列为日线时的股价预测曲线和实际股价曲线,其最大预测偏差为8%、均方根误差为1.535 779、平均绝对误差为1.107 465。对比输入序列为5 min线时的股价预测曲线和实际股价曲线,其最大预测偏差为2%、均方根误差为0.197 348、平均绝对误差为0.126 712。

图3 股价预测曲线和实际股价曲线对比图

图3的结果可看出GRU模型在输入三个特征参数情况下,预测效果良好,且对5 min线的预测结果要好于日线的预测结果,这与输入的具体股票技术指标有一定关系。以上实验结果说明基于GRU模型的股价预测系统在预测准确性和系统运行效率方面具备一定优势。

3 总结与展望

GRU模型应用到股票价格预测中,由于GRU模型的参数总量比LSTM模型大幅减少,提高了股票价格预测系统的时间效率。在输入序列中引入价格、成交量、平滑异同移动平均数三种特征的数据,明显提高了GRU模型股价预测的准确度。

当前股价预测只能作为一种股票投资的辅助手段,还没有一种理论和模型能够充分地考虑导致股价波动的主客观因素。随着人工智能和大数据技术的不断发展和应用推广,算法和算力的提升,特别是有关股票价格波动因素相关海量数据的产生和不断完善,在这些反映股价波动的海量数据的支撑下,对股票价格进行预测会越来越准确,股价预测将会越来越接近投资实战的要求。