基于股票图像与CNN的股价预测模型研究

合集下载

基于CNN-BiLSTM和注意力机制的股票预测

基于CNN-BiLSTM和注意力机制的股票预测基于CNN-BiLSTM和注意力机制的股票预测前言随着金融市场的不断发展和投资者数量的增加，股票预测成为了投资者们关注的热点话题之一。

准确的股票预测可以对投资决策产生重要影响，为投资者提供科学有效的指导。

然而，股票市场的波动性极高，受多种因素影响，如政治、经济、公司财务状况等。

因此，如何准确地预测股票的涨跌趋势一直是投资者亟待解决的问题之一。

在传统的股票预测方法中，技术分析和基本面分析是常用的方法。

然而，传统的基于统计学的预测模型常常忽略了时间序列中的时序信息，并且对数据的处理和预测过程缺乏灵活性。

本文将介绍一种基于深度学习模型CNN-BiLSTM和注意力机制的股票预测方法，通过充分考虑时序信息和数据间的关联性，提高股票预测的准确性和稳定性。

一、介绍深度学习是近年来兴起的一种机器学习技术，通过构建多层神经网络模型来提取数据的高层次特征，并进行复杂的模式识别和分类。

CNN和BiLSTM是深度学习中常用的网络结构，分别用于对序列数据进行特征提取和时间关联性建模。

注意力机制是为了解决长序列建模中的信息不对齐问题而提出的方法，它可以自动学习到序列中每个部分的重要程度。

二、相关工作在股票预测领域，过去有很多研究主要集中在技术分析和基本面分析上，忽略了数据中的时序信息。

近年来，一些基于深度学习的股票预测模型开始受到关注。

其中，CNN-BiLSTM模型被广泛应用于序列数据的特征提取和时间关联性建模，取得了较好的效果。

然而，这些模型往往只关注整个序列的特征，对序列中不同部分的重要性没有区分。

因此，引入注意力机制对于提高预测模型的性能具有重要意义。

三、方法介绍本文采用的CNN-BiLSTM和注意力机制的股票预测方法主要包括以下几个步骤：1. 数据预处理：包括数据清洗、特征提取、标准化等。

在数据清洗中，去除异常值和缺失值，以保证数据的完整性和准确性。

特征提取可以根据股票的历史交易数据提取一系列特征，如开盘价、收盘价、最高价、最低价等。

基于CNN-LSTM的股票中长期趋势预测

电子技术与软件工程Electronic Technology & Software Engineering数据库技术

Database Technology

基于CNN-LSTM的股票中长期趋势预测

宋睿（上海海事大学信息工程学院

上海市

201306 ）

摘要：本文为了解决股票中长期趋势预测的问题，提出一种基于CNN-LSTM混合网络的趋势预测系统。本系统先对股票数据开展特

征工程抽取50种特征，再输入到CNN-LSTM网络中进行，最后利用softmax分类器完成股票涨跌分类，达到

86. 5%

的上涨下跌横盘分类准

确率。关键词：特征提取；CNN-LSTM网络；softmax分类器

1引言

曾安提出使用LSTM网络对股票进行短期价格拟合，但预测周

期的变长使效果极具变差⑴，Kim使用CNN对股票数据生成图片

进行特征提取㈢，

但是无法有效的提取股票结构特征

。黄志辉研究

T CNN不同结构对股票短期拟合的影响⑴，发现小卷积核深层网

络具有更好的效果，

但对稍长周期效果较差，本文提出基于

CNN-

LSTM 的股票长期趋势预测算法，同时利用

CNN和LSTM

网络的

对结构和时序特征提取的优势，对股票中长期趋势进行分类预测

，

并可以由分类评分依照历史样本反推新股票样本的预期涨跌幅和趋势。2基于CNN-LSTM

的股票中长期趋势预测

2. 1特征提取

现有的股票数据的特征提取大多只使用简单的收盘价和MACD 指标。这种特征提取方法没有考虑到特征的特点。

本文为完成股票

中长期趋势预测任务，根据文献和市场经验，选择价格、成交量、乖离率⑷、波动率151四大类指标并结合MACD计算方法对四大类指标进行长期趋势特征提取。特征提取流程图如图1所示。

2. 2 CNN-LSTM

趋势分类网络

本文提出的CNN-LSTM股票分类网络模型是基于CNN

和

LSTM网络构建的分类网络。CNN网络具有较好的空间具有局部

视野和共享权值的特点。股价数据的局部形态特征符合局部视野和

基于深度学习的股票市场预测模型研究

基于深度学习的股票市场预测模型研究股票市场是具有高度风险性的交易市场，除了经济周期、产业变动、政治状况等多方面的因素外，股票市场情绪也占据着一个重要的位置。

这些因素的综合作用，形成了股票市场的各种波动和趋势。

预测这些波动和趋势，一直是投资者十分关注的话题。

而随着深度学习技术的成熟和普及，基于深度学习的股票市场预测模型逐渐受到了越来越多的关注。

一、深度学习技术简介深度学习是一种基于人工神经网络的机器学习技术。

神经网络是一种仿生学的思想，通过模拟人脑的感知和处理过程，处理输入和输出之间的关系。

深度学习则是在神经网络的基础上，采用多层次的结构，可以发现更加复杂的规律和模式。

近几年，深度学习技术在图像识别、语音识别、自然语言处理等各个领域被广泛应用，为人工智能发展带来了巨大推动。

二、基于深度学习的股票市场预测模型基于深度学习的股票市场预测模型，主要通过对历史数据的学习和分析，从中提取出规律和模式，来预测未来走势。

具体而言，这种模型主要涉及以下步骤：1.数据预处理对股票市场数据进行采样、归一化、噪声过滤等操作，以便更好地被深度学习模型所处理和分析。

2.构建模型使用深度学习的框架和算法，设计神经网络结构和参数，来实现对股票市场数据的学习和预测。

3.模型优化采用优化算法，如梯度下降、反向传播等，来使得模型能够更准确地预测未来的走势。

4.模型评估根据历史数据和未来数据的对比，对模型进行评估和优化，以便更好地应用于股票市场预测。

三、基于深度学习的股票市场预测模型的优势和不足相对于传统的股票市场预测方法，基于深度学习的股票市场预测模型具有以下的优势：1.能够处理更加复杂和庞大的数据，即使是非线性关系。

2.深度学习模型能够自适应地进行参数学习和调整，从而更好地适应不同的市场情况和环境。

3.预测能力更加准确和稳定，在某些预测场景下，预测精度可以达到较高的程度。

但是，基于深度学习的股票市场预测模型也存在一些不足之处：1.模型过于复杂，需要大量的计算和存储资源。

基于深度学习的股票预测模型构建研究

基于深度学习的股票预测模型构建研究一、绪论股票市场一直是人们关注的焦点之一，而股票预测是投资者们最为关心的问题之一。

随着人工智能技术与深度学习技术的不断发展，股票预测方法也逐渐向运用人工智能技术的方向发展。

本文旨在探讨如何基于深度学习构建股票预测模型。

二、相关基础理论1.深度学习深度学习是机器学习的一种，其以人工神经网络为基础，具有多层非线性变换器，可以从大量有标签的数据中学习提取特征。

深度学习特别适合处理具有复杂结构的数据，例如图像、语音和自然语言。

2.卷积神经网络卷积神经网络是深度学习中经典的神经网络之一，其可以自动从原始数据中学习提取特征。

卷积层、池化层和全连接层是卷积神经网络中最常用的三种层。

其中卷积层用于提取空间特征，池化层用于减少卷积层输出的空间大小，全连接层用于将池化层输出转化为最终的预测结果。

3.长短期记忆网络长短期记忆网络是一种专门用于处理序列数据的深度学习模型。

其可以长时记忆信息，适用于处理具有长期依赖关系的序列数据。

长短期记忆网络中的关键结构是门控单元，这些单元可以学习决定当时应该忘记还是保留哪些信息。

三、研究方法本研究采用卷积神经网络和长短期记忆网络结合的方法，构建股票预测模型。

具体方法如下：1.数据预处理首先，需要获取股票交易数据，并进行数据预处理，将原始数据转化为可以被模型处理的格式。

数据预处理过程包括数据清洗、数据归一化、时间序列转化等步骤。

2.卷积神经网络卷积神经网络用于从原始数据中学习提取特征，并输出一个特征向量。

具体来说，可以采用多个卷积层和池化层的组合来提取数据中的特征。

3.长短期记忆网络长短期记忆网络可以学习时间序列数据中的长期依赖关系，从而可以预测未来的股价走势。

使用长短期记忆网络的关键是设计合适的输入输出序列，本研究采用了向后预测一天的方式，即将当天的交易数据作为输入，预测第二天的收盘价。

4.模型优化为了提高模型预测精度，需要对模型进行优化。

本研究采用了SGD（随机梯度下降）算法来优化模型，同时还采用了L2正则化来防止过拟合。

如何在卷积神经网络中进行股票预测

如何在卷积神经网络中进行股票预测随着人工智能技术的发展，卷积神经网络（Convolutional Neural Network，CNN）在图像识别、自然语言处理等领域取得了很大的成功。

然而，有人开始尝试将CNN应用于股票预测，希望通过这一技术来预测股票的未来走势。

本文将探讨如何在卷积神经网络中进行股票预测，并讨论其中的挑战和应对策略。

首先，我们需要明确股票预测的目标。

股票市场的波动受到多种因素的影响，包括经济数据、政治事件、公司业绩等等。

因此，要准确地预测股票的未来走势是非常困难的。

然而，我们可以通过分析历史数据，寻找其中的规律和模式，来预测未来的趋势。

卷积神经网络可以通过学习历史数据中的模式和特征，来预测未来的股票走势。

在使用卷积神经网络进行股票预测时，首先需要准备好训练数据。

训练数据应包含股票的历史价格、成交量等信息，以及其他可能影响股票走势的因素，如经济指标、公司公告等。

这些数据应按照时间顺序排列，以便模型能够学习到时间序列中的模式。

同时，为了提高模型的准确性，还可以考虑加入技术指标等衍生数据。

接下来，我们需要设计合适的卷积神经网络模型。

在股票预测中，可以采用一维卷积神经网络（1D CNN）来处理时间序列数据。

1D CNN可以有效地捕捉时间序列中的模式和趋势，从而提高预测的准确性。

模型的输入可以是一段时间窗口内的历史数据，输出则是未来一段时间内的股票走势。

为了提高模型的泛化能力，可以使用交叉验证等技术来评估模型的性能，并进行参数调优。

然而，在使用卷积神经网络进行股票预测时，还面临着一些挑战。

首先，股票市场的波动受到多种因素的影响，这些因素的变化是非常复杂和不确定的。

因此，要准确地预测股票的未来走势是非常困难的。

其次，股票市场存在着大量的噪声和随机性，这使得预测股票走势更加困难。

此外，股票市场还存在着非线性和非稳定性，这使得传统的线性模型很难捕捉到其中的规律和模式。

针对这些挑战，我们可以采取一些策略来提高股票预测的准确性。

基于注意力机制的CNN-LSTM短期股票价格预测

基于注意力机制的CNN-LSTM短期股票价格猜测股票市场一直以来都是投资者关注的焦点，而准确猜测短期股票价格波动一直是金融领域的一大挑战。

近年来，深度进修技术在金融猜测领域取得了很大的进展，其中卷积神经网络（CNN）和长短期记忆网络（LSTM）被广泛应用于股票价格猜测。

为了提高猜测的准确性，本文将基于注意力机制的CNN-LSTM模型应用于短期股票价格猜测，并对其进行详尽的分析和评估。

一、引言随着全球金融市场日益复杂化和信息的快速传播，股票价格的波动变得越来越难以准确猜测。

传统的时间序列分析方法已经无法满足对复杂市场的需求，因此需要引入深度进修技术来提高猜测的准确性。

二、深度进修在股票价格猜测中的应用深度进修技术以其优秀的特征提取能力和非线性映射能力，在金融猜测领域取得了很大的冲破。

其中，卷积神经网络（CNN）广泛用于图像识别和文本分类等任务，而长短期记忆网络（LSTM）则擅长处理序列数据。

三、基于注意力机制的CNN-LSTM模型为了更好地利用时空特征，并提取关键信息，本文引入了注意力机制。

注意力机制允许模型自动选择输入数据中最重要的部分，从而增强模型的有效性。

1. 数据预处理对于股票价格猜测任务，我们起首需要进行数据预处理，包括数据清洗、标准化和特征选择等过程。

通过对历史股票价格数据进行预处理，得到适合模型输入的数据集。

2. 卷积神经网络（CNN）卷积神经网络通过局部感知域和权值共享来抓取输入数据的空间局部特征。

我们将股票价格的时间序列数据看作一维信号，并应用多个卷积层和池化层来提取出重要的时间特征。

3. 长短期记忆网络（LSTM）长短期记忆网络是一种特殊的循环神经网络，具有记忆单元和门控机制，可以有效地处理时间序列数据。

我们将CNN提取的时间特征作为LSTM的输入，并通过多个LSTM层提取序列数据中的长期依靠干系。

4. 注意力机制注意力机制可以自动选择输入数据的关键部分，并为其分配较大的权重。

基于深度学习的股票预测系统的研究

基于深度学习的股票预测系统的研究2021年，股市行情处于波动不定状态。

对于投资者而言，如何更好地预测股票价格将会成为一个十分重要的问题。

随着深度学习技术的发展，基于深度学习的股票预测系统也得到了广泛关注。

一、深度学习技术在股票预测中的应用深度学习是一种通过大量数据训练人工神经网络的机器学习技术。

在股票预测中，深度学习可用于通过历史数据自动学习、发现规律，预测未来股票价格。

首先，我们需要收集与股票相关的历史数据。

这些数据包括股票市场的历史行情，公司的财务数据以及其他相关指标。

通过将这些数据输入到神经网络中，我们可以训练出一个能够对数据进行分类和预测的模型。

其次，我们需要对训练数据进行预处理，以便于神经网络能够更好地理解和学习这些数据。

其中常见的预处理方法包括标准化、归一化和一些特征工程的处理。

最后，我们需要选择合适的神经网络结构来构建股票预测模型。

常见的神经网络结构包括多层感知机(MLP)、卷积神经网络(CNN)以及循环神经网络(RNN)等模型。

二、深度学习股票预测系统的优势相比于传统的基于统计方法或者机器学习的股票预测方法，基于深度学习的股票预测系统具有以下优势：1. 非线性建模：深度学习技术可以建立复杂的非线性模型，更准确地反映实际市场情况。

2. 自适应学习：深度学习模型可以自动调整模型参数，适应不同的市场环境，有助于提高预测准确率。

3. 端到端学习：深度学习模型可以直接将原始数据输入模型中，避免了传统方法在预处理阶段的信息损失问题，同时也提高了预测速度。

三、基于深度学习的股票预测系统存在的问题虽然基于深度学习的股票预测系统有许多优势，但是也存在一些问题。

1. 数据质量要求高：深度学习模型需要大量的高质量的历史数据进行训练，缺乏数据将会降低预测准确率。

2. 参数选择困难：深度学习模型包含大量的参数，如何选择合适的神经网络结构和参数是一个非常复杂的问题。

3. 过拟合问题：深度学习模型容易产生过拟合现象，即在训练数据上表现优秀，但在测试数据上表现较差。

基于人工智能的股市预测模型研究

基于人工智能的股市预测模型研究随着人工智能的不断发展和普及，越来越多的领域开始借助AI技术来提高效率和精度。

其中，股市预测是一个受到广泛关注的领域。

许多投资者和机构都希望能够更准确地预测股票价格的走势，从而做出更有利的投资决策。

因此，基于人工智能的股市预测模型成为当下研究的热点之一。

本文将就该主题从不同角度进行探讨。

一、人工智能在股市预测中的应用在股市预测中，人工智能大致可以分为两类，一类是基于传统的统计学模型开发的智能预测模型，另一类是基于深度学习的预测模型。

前者主要包括ARMA、ARIMA、GARCH、VAR等模型，其核心思想是通过对历史数据的拟合来预测未来的股票价格走势。

这些模型广泛应用于金融领域，并取得了不错的成果。

但是，由于传统模型对数据的假设过于严格，难以捕捉大量股市波动的非线性特征，而深度学习模型则可以通过强大的自适应能力来识别非线性关系，从而更好地适应市场走势的变化。

二、深度学习模型在股市预测中的应用与研究深度学习模型是人工智能领域的一大热点，其出色的特征提取和表达能力，吸引了众多研究者开发基于深度学习的股市预测模型。

其中，最常见的是基于卷积神经网络（CNN）和循环神经网络（RNN）的预测模型。

以CNN为例，该模型可以通过对历史K线图像的卷积操作和池化操作来提取价量特征，进而预测未来股票价格的趋势。

而RNN则可以通过记忆体的设计来捕捉历史数据的时间序列关系，使得预测结果更加准确。

三、基于人工智能的股市预测模型存在的问题及挑战虽然人工智能在股市预测中有着巨大的潜力，但是其应用也存在着一些挑战和问题。

例如，模型过于依赖历史数据而无法应对突发事件和外部因素的干扰；模型的可解释性较差，难以解释其预测结果的依据和原因；以及数据稀缺和噪声干扰等问题会影响模型的预测精度等等。

因此，对人工智能在股市预测中的应用还需继续进行研究和探索。

四、未来趋势和展望随着人工智能技术的不断发展和突破，股市预测模型也将在其不断引领下不断升级和迭代。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

Finance 金融, 2020, 10(4), 334-342 Published Online July 2020 in Hans. http://www.hanspub.org/journal/fin https://doi.org/10.12677/fin.2020.104034

文章引用: 周乔, 刘宁宁, 沈灵聪. 基于股票图像与CNN的股价预测模型研究[J]. 金融, 2020, 10(4): 334-342. DOI: 10.12677/fin.2020.104034

A Stock Price Prediction Model Based on Stock Charts and Deep CNN

Qiao Zhou, Ningning Liu, Lingcong Shen University of International Business and Economics, Beijing

Received: Jun. 18th, 2020; accepted: Jul. 1st, 2020; published: Jul. 8th, 2020

Abstract The prediction of the stock market has always been a challenging issue, because many factors will cause the market uncertainty such as national policies, company financial reports, industry per-formance, investor sentiment, social media sentiment, and economic factors. In this paper, based on the stock charts method, the continuous time stock information is processed. According to dif-ferent information richness, prediction time interval and classification method, the original data is divided into multiple categories as the training set of DCNN (Deep Convolutional Neural Network). The results show that the method has the best performance when the forecast time interval is 30 days. Moreover, this method can accurately predict the stock trend of the US NDAQ exchange for 59.7%.

Keywords Stock Market Predicted, Convolutional Neural Network, Stock Charts

基于股票图像与CNN的股价预测模型研究周乔，刘宁宁，沈灵聪对外经济贸易大学，北京

收稿日期：2020年6月18日；录用日期：2020年7月1日；发布日期：2020年7月8日

摘要股票市场的预测一直是一个具有挑战性的问题，其波动会受国家政策、公司财报、行业表现、投资者情绪等因素的影响。本文基于股市图像(Stock Charts)方法将股票的连续时间信息进行处理，根据不同的信息周乔等 DOI: 10.12677/fin.2020.104034 335 金融

丰富度以及预测时间间隔将原始数据分为了多个类别，依次作为深度卷积神经网络(Deep Convolutional Neural Network, DCNN)训练集；并利用深度卷积神经网络对股票市场进行预测，分析在不同分类方法下

的精度差异。结果表明，当在标记间隔为30天，使用包含成交量的蜡烛图作为输入时，对美国NDAQ交易所的股票走势预测可以达到59.7%的准确度。

关键词股市预测，卷积神经网络，蜡烛图

1. 引言股票市场的涨跌与当前宏观经济形势具有对应关系，对股票市场的正确预测有利于国家及时调整宏观经济政策，维护市场、社会的稳定发展，因此正确预测股票市场的走势成为了领域内的热点问题。然而影响股票价格的因素很多，例如国家政策、公司财报、行业表现等因素，使得股票趋势预测成为了一个非常具有挑战性的问题。根据Fama的有效市场假说[1]，在市场信息完备的情况下，投资者仍不能通过进行基本面分析与技术分析来获得超出市场平均利润的收益，原因便是金融时间序列中的高噪声[2] [3]。在传统统计学方法中，常用统计分析[4] [5]配合股票图像(Stock Charts)的方法，对股票市场的走势进行判断，往往能取得不错的效果。如吴泽兵[6]基于蜡烛图进行量化交易并制定了“红三兵”、“牛市鲸吞线”两个量化策略，其“红三兵”策略可在5日与3日持仓的交易中达到88.46%的胜算率，牛市鲸吞线的五日持仓收益率也有3.85%。杜兵[7]则利用蜡烛图分析方法，对我国创业板个股进行回溯，获得了较优的平均收益率、盈亏比与胜率。随着信息技术的发展，计算水平的日益提高，计算机视觉技术在医学[8]、农学[9]、工学[10]等领域都有了广泛运用，其与股票市场趋势研究的结合，必然可以为这一领域带来新的可能。如Luca Di Persio等人[11]利用多层感知器(Multi-layer Perceptron, MLP)、卷积神经网络(CNN)、长短记忆时间递归神经网络(Long Short-Term Memory, LSTM)以及循环神经网络(RNN)对标准普尔500 (S & P 500)指数的价格运动进行了预测，结果显示深度学习算法对股票市场的趋势拟合效果较好。其中，CNN建模效果最好。Yang Jiao [12]基于深度网络，通过标准交叉验证、顺序验证以及单次验证方法的比较，发现利用近期信息，例

如已经收盘的欧洲和亚洲指数来预测标准普尔500指数，可以使预测精度大幅提高。Gozde Sismanoglu [13]等人利用1968~2018年的IBM股票信息，使用MLP与CNN算法对数据库中信息的进行预测，结果证明该方法对特定股票有较好的精度，可以大概率正确预测第二日股票的涨跌的情况。2019年，Keywan等人[14]描述了机器学习的一些基本概念，并提供了一个简单的例子，说明投资者如何使用机器学习技术预测股票收益的横截面，同时模拟过度拟合的风险。X. Zhang等人[15]通过输入来自历史股票的交易数据和社交媒体信息，发现通过有效分析金融新闻和用户情绪，可以达到预测股票市场动向的目的。此外，我们整理、分类和分析近几年发表的有关股票预测模型的文献，如表1所示。我们发现：金融科技领域中的基于股票图形趋势研究已经被证实可行[15]，而目前机器学习领域中的图像深度学习方面取得了突破进展[6]。在本论文中，我们将金融科技的股市图形趋势研究与机器学习的图像深度学习有机结合，即基于DCNN与股票图像结合的方法对股票市场进行预测，如图1所示。

Open Access周乔等 DOI: 10.12677/fin.2020.104034 336 金融

Figure 1. The cross field between machine learning and fintech 图1. 机器学习与金融科技的交叉

基于以上分析，本文将蜡烛图方法配合新型的深度学习技术来预测NASDAQ的股市走势，弥补了传统非机器学习方法的不足，将深度学习算法与股票图像创新性的融合。利用金融时间序列数据处理成的信息丰富度不同两种的蜡烛图，将图片数据集作为CNN的输入，对比预测未来1天、20天、30天以及60天股票趋势的准确度，利用时间划分分类训练方式，对比两种图片的预测准确度。

Table 1. Stock prediction method and model collation 表1. 股票预测方法及模型整理

分类方法/模型研究内容作者

基于传统的非机器学习的股市预测方法

向量自回归(VAR)模型误差修正模型(ECM) 卡尔曼滤波模型(KFM) 利用三种模型对英国股市的长期变化进行预测 Chulho Jung等人

GARCH模型 QGARCH模型 GJR模型

研究三种模型对金融时间序列数据(中国股市)波动的预测能力和模型间相互对比魏巍贤

周晓明

马尔科夫预测模型利用马尔科夫预测法对沪股东北高速收盘价进行分析，预测股价变动李海涛 “红三兵”、“牛市鲸吞线”量化策略基于蜡烛图进行量化交易并制定量化策略吴泽兵蜡烛图分析方法对我国创业板个股进行回溯，追求较优的平均收益率、盈亏比与胜率。杜兵

基于深度学习模型的股市趋势预测方法

多层感知器 CNN

长短记忆时间递归神经网络 RNN

利用多层感知器、CNN、长短记忆时间递归神经网络以及RNN预测标准普尔500指数的趋势 Luca Di Persio等人

标准交叉验证顺序验证单次验证方法

通过三种方法的比较，发现利用近期信息可以使

预测精度大幅提高。 Yang Jiao

MLP与CNN算法使用MLP与CNN算法对数据库中IBM股票信息的进行预测 Gozde Sismanoglu

等人

ANN + Tree boosting 说明投资者如何使用多算法深层叠加预测股票收益的横截面，同时模拟过度拟合的风险。 Keywan等人

深度学习算法输入来自历史股票的交易数据和社交媒体信息，通过有效分析金融新闻和用户情绪预测股票市场动向。 X. Zhang等人

2. 方法 2.1. 股票图像烛台图作为一种金融图表，可用于描述给定时间段内的股票价格走势。烛台图由日本大米交易商