使用卷积神经网络对多元时间序列进行股票价格预测的研究论文

预测股票价格的未来走势一直是许多研究工作的主题。 一方面，我们有有效市场假说的支持者，他们声称无法预测股票价格，另一方面，也有一些命题表明，如果建模得当，可以高度准确地预测股票价格。 还有大量关于股票价格技术分析的文献，其目的是确定股票价格变动的模式并从中获利。 在这项工作中，我们提出了一种使用机器学习和基于深度学习的方法进行股票价格预测的混合方法。 我们选择了印度国家证券交易所 (NSE) 的 NIFTY 50 指数值，为期四年：2015 年至 2018 年。基于 2015 年至 2018 年期间的 NIFTY 数据，我们使用机器学习方法构建了各种预测模型，以及然后使用这些模型来预测 2019 年 NIFTY 50 的“收盘”值，预测范围为一周，即五天。 为了预测 NIFTY 指数的运动模式，我们使用了多种分类方法，而为了预测 NIFTY 指数的实际“收盘”值，建立了各种回归模型。 然后，我们通过使用具有前向验证的卷积神经网络 (CNN) 构建基于深度学习的回归模型来增强模型的预测能力。 CNN 模型对其参数进行了微调，以便验证损失随着迭代次数的增加而稳定，并且训练和验证精度收敛。 我们利用 CNN 在预测未来 NIFTY 指数值方面的能力，使用三种方法，这些方法在预测中使用的变量数量、整体模型中使用的子模型数量以及用于训练模型的输入数据大小不同。 在所有分类和回归模型的各种指标上都提供了广泛的结果。 结果清楚地表明，基于 CNN 的多变量预测模型在预测 NIFTY 指数值在每周预测范围内的变动方面最为有效和准确。