Vorhersage von Aktienkursen mit einem Feature-Fusion LSTM-CNN-Modell unter Verwendung verschiedener Darstellungen derselben Daten

Die Vorhersage von Aktienkursen spielt eine wichtige Rolle bei der Festlegung einer Handelsstrategie oder der Bestimmung des geeigneten Zeitpunkts für den Kauf oder Verkauf einer Aktie. Wir schlagen ein Modell vor, das als Feature-Fusion Long Short-Term Memory-Convolutional Neural Network (LSTM-CNN) Modell bezeichnet wird, das Merkmale kombiniert, die aus verschiedenen Darstellungen derselben Daten gelernt wurden, nämlich Aktienzeitreihen und Aktienchartbilder, um Aktienkurse vorherzusagen. Das vorgeschlagene Modell besteht aus LSTM und einem CNN, die zur Extraktion zeitlicher Merkmale und Bildmerkmale verwendet werden. Wir messen die Leistung des vorgeschlagenen Modells im Vergleich zu den einzelnen Modellen (CNN und LSTM) unter Verwendung von SPDR S&P 500 ETF-Daten. Unser Feature-Fusion LSTM-CNN-Modell übertrifft die Einzelmodelle bei der Vorhersage von Aktienkursen. Darüber hinaus stellen wir fest, dass ein Kerzenchart das am besten geeignete Aktienchartbild ist, um Aktienkurse vorherzusagen. Diese Studie zeigt somit, dass der Vorhersagefehler effizient reduziert werden kann, indem eine Kombination aus zeitlichen und Bildmerkmalen derselben Daten verwendet wird, anstatt diese Merkmale separat zu verwenden.