摘要
股市行情随众多影响因子不断变化,现有基于时间序列预测的方法难以捕捉该非线性动力系统的复杂变化规律,预测效果并不理想.本文提出基于Attention机制的GRU预测模型,捕捉关键时间点特征信息以解决对时间特征不敏感导致预测精度不高的问题以提升预测精确度.首先使用LSTM和GRU构建基础预测模型;然后对输入特征进行统计处理和筛选,选取更能反映股价变动规律的特征;最后基于编码器-解码器框架,在GRU模型上加入Attention机制,使模型聚焦于重要时间点的股票特征信息.本文在科大讯飞股票数据上进行实验,实验结果表明基于Attention机制的GRU模型在MAPE,RMSE,R2 score三个评价指标上均优于其他模型,Attention机制能够捕捉重要时间点局部特征,对预测模型的优化是可行和有效的.
NETL
NSTL
维普
万方数据