通过金豺优化器的混合优化深度学习模型以实现准确的股票价格预测

股票市场历来是全球金融环境的参考点。投资股票市场存在风险；然而，对于投资者来说，它可以提供显著的短期或长期回报。预测股票价格一直是专业人士和研究人员关注的重要话题；然而，这一直是一个困难的任务。近年来，机器学习和元启发式算法在多个领域展现出了显著的表现，涵盖了金融领域。在这项工作中，我们提出了一种通过金豺优化器（GJO）算法优化的混合深度学习模型，用于精确的股票价格预测。我们从标准普尔500指数中选择市值最高的二十只股票作为我们的基准数据集。我们将所提出的模型与十八种不同的神经网络模型进行比较，以及使用粒子群优化（PSO）算法和遗传算法（GA）的优化深度学习模型PSO-GRU | LSTM 和 GA-GRU | LSTM。实验根据RMSE、MAE和MAPE标准进行评估。结果表明，元启发式优化模型的性能优于标准方法，提出的GJO-GRU | LSTM模型提高了预测质量。