Vorhersage von Aktienkursen mit einem hybriden Deep-Learning-Modell, das einen Attention-Mechanismus, ein Multi-Layer-Perzeptron und ein bidirektionales Long-Short-Term-Memory-Neuronennetz integriert

Die Vorhersage von Aktienkursen ist ein Forschungsgebiet in den Bereichen Investitionen und nationale Politik, das aufgrund des Mehrgeräuschs, der Nichtlinearität, der Hochfrequenz und des Chaos von Aktien eine herausfordernde Problematik darstellt. Diese Eigenschaften von Aktien erschweren es den meisten Vorhersagemodellen, wertvolle Informationen aus den Aktien-Daten zu extrahieren. Hier wird ein neuartiges hybrides Deep-Learning-Modell vorgeschlagen, das einen Attention-Mechanismus, ein Multi-Layer-Perzeptron und ein bidirektionales Long-Short-Term-Memory-Neuronennetz integriert. Zunächst werden die Rohdaten, einschließlich vier Datensatztypen (historische Aktienpreise, technische Indikatoren der Aktienkurs-Schlusskurse, Preise natürlicher Ressourcen und historische Daten des Google-Index), mithilfe der Hauptkomponentenanalyse in eine Wissensbasis mit reduzierten Dimensionen umgewandelt. Anschließend wird das Multi-Layer-Perzeptron zur schnellen Transformation des Merkmalsraums und zum raschen Gradientenabstieg verwendet, das bidirektionale Long-Short-Term-Memory-Neuronennetz zur Extraktion zeitlicher Merkmale der Aktien-Zeitreihendaten und der Attention-Mechanismus, um das neuronale Netzwerk stärker auf entscheidende zeitliche Informationen zu fokussieren, indem höhere Gewichtungen zugewiesen werden. Schließlich wird eine umfassende Modellbewertungsmethode verwendet, um das vorgeschlagene Modell mit sieben verwandten Basismodellen zu vergleichen. Nach umfangreichen Experimenten zeigte das vorgeschlagene Modell eine gute Vorhersageleistung.