利用机器学习预测股市走势：长期短期记忆研究文献

股票市场以其强烈的不确定性和不稳定性而臭名昭著，研究人员和投资者都经常尝试一种详细而有用的方法来指导他们的股票交易。 长短期记忆 (LSTM) 神经网络是循环神经网络 (RNN) 的一个子类型，在各种应用中具有重要的实用性。 此外，由于其独特的“记忆”能力，LSTM 不依赖于长期，因此可以帮助预测金融时间序列，例如股票市场。 在本研究中，我们使用 sci-kit learn 的 min-max 缩放器来转换数据、提取特征并建立我们的预测模型。 为了使我们的分析更加全面，我们使用在两个不同证券交易所上市的两个实体的每日价格数据。 研究的所有阶段都是使用 iPython Notebook 使用 Python 编程语言的各种库进行的。 我们的结果表明，LSTM 可能比 ARIMA 等传统线性技术更有效，因为后者无法捕捉问题的非线性因素。 此外，即使 LSTM 对手头的问题更好，但除非进行相应调整，否则它们对其他人的表现可能更差。