Predicción de precios de acciones utilizando el modelo CNN-BiLSTM-Attention
Autores: Zhang, Jilin; Ye, Lishi; Lai, Yongzeng
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Predicción de precios de acciones utilizando el modelo CNN-BiLSTM-Attention
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Predicción de precios de acciones
Métodos de pronóstico
Modelo basado en CNN-BiLSTM-Attention
Predicción de precios de acciones
Redes neuronales LSTM
Precisión en la predicción de precios de acciones
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 39
Citaciones: Sin citaciones
La predicción precisa del precio de las acciones tiene un papel importante en la inversión en acciones. Dado que los datos de los precios de las acciones se caracterizan por una alta frecuencia, no linealidad y memoria larga, predecir los precios de las acciones con precisión es un desafío. Se han propuesto varios métodos de pronóstico, desde métodos clásicos de series temporales hasta métodos basados en aprendizaje automático, como el bosque aleatorio (RF), la red neuronal recurrente (RNN), la red neuronal convolucional (CNN), las redes neuronales Long Short-Term Memory (LSTM) y sus variantes, etc. Cada método puede alcanzar un cierto nivel de precisión pero también tiene sus limitaciones. En este artículo, se propone un modelo basado en CNN-BiLSTM-Attention para mejorar la precisión en la predicción de los precios de las acciones e índices. Primero, se extraen las características temporales de los datos de secuencia utilizando una red neuronal convolucional (CNN) y una red bidireccional de memoria a largo y corto plazo (BiLSTM). Luego, se introduce un mecanismo de atención para ajustar automáticamente las asignaciones de peso a las características de la información; y finalmente, los resultados de la predicción final se generan a través de la capa densa. El método propuesto se utilizó primero para predecir el precio del índice bursátil chino, el índice CSI300, y se encontró que era más preciso que cualquiera de los otros tres métodos: LSTM, CNN-LSTM, CNN-LSTM-Attention. Para investigar si el modelo propuesto es efectivo de manera robusta en la predicción de índices bursátiles, se seleccionaron tres otros índices bursátiles en China y ocho índices bursátiles internacionales para probar, y se confirmó la efectividad robusta del modelo CNN-BiLSTM-Attention en la predicción de los precios de las acciones. Comparando este método con los modelos LSTM, CNN-LSTM y CNN-LSTM-Attention, se encontró que la precisión de la predicción del precio de las acciones es mayor utilizando el modelo CNN-BiLSTM-Attention en casi todos los casos.
Descripción
La predicción precisa del precio de las acciones tiene un papel importante en la inversión en acciones. Dado que los datos de los precios de las acciones se caracterizan por una alta frecuencia, no linealidad y memoria larga, predecir los precios de las acciones con precisión es un desafío. Se han propuesto varios métodos de pronóstico, desde métodos clásicos de series temporales hasta métodos basados en aprendizaje automático, como el bosque aleatorio (RF), la red neuronal recurrente (RNN), la red neuronal convolucional (CNN), las redes neuronales Long Short-Term Memory (LSTM) y sus variantes, etc. Cada método puede alcanzar un cierto nivel de precisión pero también tiene sus limitaciones. En este artículo, se propone un modelo basado en CNN-BiLSTM-Attention para mejorar la precisión en la predicción de los precios de las acciones e índices. Primero, se extraen las características temporales de los datos de secuencia utilizando una red neuronal convolucional (CNN) y una red bidireccional de memoria a largo y corto plazo (BiLSTM). Luego, se introduce un mecanismo de atención para ajustar automáticamente las asignaciones de peso a las características de la información; y finalmente, los resultados de la predicción final se generan a través de la capa densa. El método propuesto se utilizó primero para predecir el precio del índice bursátil chino, el índice CSI300, y se encontró que era más preciso que cualquiera de los otros tres métodos: LSTM, CNN-LSTM, CNN-LSTM-Attention. Para investigar si el modelo propuesto es efectivo de manera robusta en la predicción de índices bursátiles, se seleccionaron tres otros índices bursátiles en China y ocho índices bursátiles internacionales para probar, y se confirmó la efectividad robusta del modelo CNN-BiLSTM-Attention en la predicción de los precios de las acciones. Comparando este método con los modelos LSTM, CNN-LSTM y CNN-LSTM-Attention, se encontró que la precisión de la predicción del precio de las acciones es mayor utilizando el modelo CNN-BiLSTM-Attention en casi todos los casos.