Anwendung von auf Aufmerksamkeit basierenden hybriden LSTM-Modellen zur Vorhersage von Aktienkursen

Der Aktienmarkt spielt eine entscheidende Rolle in der nationalen Wirtschaft, während die Anwendung von künstlicher Intelligenz (KI) bei der Vorhersage von Aktienkursen an Bedeutung gewonnen hat. Diese Arbeit bewertet die Leistung von fünf fortschrittlichen Deep-Learning (DL)-Modellen: Long Short-Term Memory (LSTM), Self-Attention, Convolutional Neural Network-LSTM mit Attention (CNN-LSTM-Attention), Gated Recurrent Unit-LSTM mit Attention (GRU-LSTM-Attention) und CNN-Bidirectional LSTM-GRU mit Attention (CNN-BiLSTM-GRU-Attention), unter Verwendung eines Jahrzehnts an Daten zu Amazons Schlusskursen. Unsere Ergebnisse zeigen, dass das CNN-BiLSTM-GRU-Attention-Modell eine überlegene Leistung zeigt und einen Root Mean Square Error (RMSE) von 1,054589 sowie einen Bestimmtheitsmaß (R2) von 0,970123 erreicht, was auf seine Fähigkeiten im Umgang mit komplexen Finanzdaten hinweist. Die Bedeutung dieser Arbeit liegt in der Validierung der Wirksamkeit auf Aufmerksamkeit basierender Ensemble-Modelle in der Aktienmarktvorhersage sowie in der Einführung der innovativen Anwendung des CNN-BiLSTM-GRU-Attention-Modells in der Finanzprognose, das Potenzial für eine breite Anwendbarkeit hat.