任鑫 韓旭

摘? 要：作為A股市場重要的股票指數(shù)之一，對滬深300股指的走勢進行預測對于投資者進行套期保值和風險轉(zhuǎn)移具有重要的意義。本文利用LSTM網(wǎng)絡具備的復雜非線性時序特征提取能力，設計了一個LSTM深度循環(huán)神經(jīng)網(wǎng)絡來對滬深300股指的走勢進行預測。結(jié)果表明，LSTM能夠被成功地運用于股票價格指數(shù)走勢的預測。

關鍵詞：股指期貨;神經(jīng)網(wǎng)絡;非線性;時序特征

股票的發(fā)展到今天已經(jīng)有幾百年的歷史。股票市場的變化可以說是整個社會經(jīng)濟的“晴雨表”，它反映了社會經(jīng)濟的發(fā)展狀況和公司的運營狀況。股票價格指數(shù)被當做一種指標，反映了股票市場上所有股票市場價格的總體水平和相應的變化情況。股票指數(shù)的變化對于廣大投資者和社會經(jīng)濟都有十分重要的影響。研究股指的主要作用是為套期保值者規(guī)避和轉(zhuǎn)移風險。人們不斷進行股指期貨的研究，可是大多數(shù)研究者對我國的股指期貨研究僅限于交易規(guī)則的制定和管理方式方法上。我們需要一種更加有效地方法對股指變化做出預測。

近年來以神經(jīng)網(wǎng)絡為基本構造模塊的深度神經(jīng)網(wǎng)絡模型眾多領域取得了巨大的成功。股票價格指數(shù)數(shù)據(jù)往往蘊含著大量的高噪聲和復雜的非線性，淺層學習方法無法對其進行有效建模。由于深度神經(jīng)網(wǎng)絡能夠提取出數(shù)據(jù)中蘊含的復雜非線性特征，因此本文通過長短期記憶循環(huán)神經(jīng)網(wǎng)絡對我國滬深300指數(shù)走勢進行研究預測，以此來為投資者規(guī)避股市風險和實現(xiàn)財富保增值提供預判。

一、長短期記憶循環(huán)神經(jīng)網(wǎng)絡

長短期記憶循環(huán)神經(jīng)網(wǎng)絡（Long-Short Term Memory，LSTM）是一種改進的循環(huán)神經(jīng)網(wǎng)絡，其獨特的門控設計使得其可以學習到時間序列中存在的多種長短期依賴信息。LSTM的每個神經(jīng)元都有4個門控制著信息在單元內(nèi)的流通，這4個門分別如下：

基于此本文設計了一個隱藏層大小為20的LSTM網(wǎng)絡作為模型的第一層來提取股指數(shù)據(jù)中的高度復雜非線性時序特征，LSTM接收大小為? 的一個矩陣，然后輸出一個大小為 的向量;然后設計了一個隱藏層大小為1的全連接層作為輸出層，其接收LSTM輸出 大小的向量，然后輸出大小為? 的標量作為模型的輸出;最后通過誤差函數(shù)計算全連接層的輸出與樣本真實值之間的誤差，以此誤差進行反向傳播更新模型參數(shù)以完成模型訓練。

二、實驗

（1）實驗數(shù)據(jù)。本文選2018年1月1日至2018年12月30日共239個交易日的滬深300指數(shù)交易數(shù)據(jù)作為建模數(shù)據(jù)，將前5個交易日的開盤點位、最低點位、最高點位、成交量、成交金額、收盤點和第6個交易日的收盤點位作為一對訓練樣本，一共可獲得234對訓練樣本作為訓練數(shù)據(jù)。

（2）實驗設置。本實驗所設計的LSTM循環(huán)神經(jīng)網(wǎng)絡模型，使用python編程語言進行實現(xiàn)，運行在內(nèi)存為8GB，顯存為3GB的Ubuntu18.04操作系統(tǒng)上。模型采用Xavier方法作為各權重矩陣的初始化方式，學習率設定為0.1，模型損失通過MSE均方誤差函數(shù)實現(xiàn)，優(yōu)化方法為隨機梯度下降法，迭代次數(shù)設定為200次。

（3）實驗結(jié)果。經(jīng)過200次迭代，模型平均誤差從最開始的2.4135逐漸下降收斂到0.0014，說明模型對于訓練樣本之間的映射關系能夠進行良好地學習。訓練完成的模型的預測結(jié)果與真實值的比較如圖1所示，不難發(fā)現(xiàn)本文所訓練的模型對于滬深300指數(shù)前五個交易日的交易數(shù)據(jù)同第六個交易日的收盤點位之間的復雜關系能夠進行良好地建模。

本文通過構建基于LSTM的循環(huán)神經(jīng)網(wǎng)絡模型，將其用于滬深300指數(shù)的預測。實驗表明，LSTM網(wǎng)絡能夠?qū)τ跍?00指數(shù)數(shù)據(jù)自身存在的高度復雜非線性時序特征進行良好的學習建模。

參考文獻

[1]Hochreiter S，Schmidhuber J.Long Short-Term Memory[J].Neural Computation，1997.9（08）：1735-1780

[2]Xavier Glorot，Y.Bengio.Understanding the difficulty of training deep feedforward neural networks[J].Journal of Machine Learning Research，2010.01（09）：249-256

作者簡介：任鑫（1995-），男，漢族，四川省南充市，碩士研究生，成都理工大學管理科學學院應用統(tǒng)計專業(yè)，研究方向：大數(shù)據(jù)統(tǒng)計。

韓旭（1994–），男，漢族，黑龍江省綏化市人，碩士研究生，單位：成都理工大學管理科學學院應用統(tǒng)計專業(yè)，研究方向：地學數(shù)據(jù)統(tǒng)計分析。