第五章 基于 LSTM 模型的上证综指价格趋势预测 ....................................... 44
5.1模型训练及预测 ............................................ 44
5.1.1 基于收盘指数的 LSTM-0 预测模型................................. 45
5.1.2 基于综合指数的 LSTM-1 预测模型................................... 48
第五章 基于 LSTM 模型的上证综指价格趋势预测
5.1 模型训练及预测
本文研究期覆盖了 2015 年我国发生股灾前后的特殊时期，同时涵盖了近年来我国实施财政刺激政策、地方政府债务水平凸显、利率市场化改革、房地产市场调控等对我国股票市场有重大影响的事件，具有一定代表性。此外，从 2014 年 1 月起至 2017 年 9 月，上证综指经历了谷底-缓慢上升-加速上升-见顶-迅速下跌-震荡-反弹的一轮完整周期，因此，使用该时期内样本数据作为训练集，模型泛化效果更加稳健。
本章使用 Keras 库搭建 LSTM 网络结构。Keras 是一个高层神经网络 API 库，其提供了一种名为“模型”的核心数据结构，用于更加方便的组织网络层。Keras 中主要的模型是Sequential 模型，用户可以通过.add（）方法将自己需要的网络层起来堆叠起来，就构成了一个模型。
通过对相关文献的整理和研究，对于股指预测等时间序列问题，本文预测模型的网络结构为设置一层 LSTM 网络作为隐藏层接受输入，一层全连接 Dense 网络用于输出。实验中设定 Dense 的激活函数为 Linear 函数，模型的损失函数采用平均绝对误差 （以下简称 MAE），优化算法采用 Adam。模型的预测效果评价采用均方根误差（以下简称 RMSE）和平均误差率指标。
................................
第六章 总结与展望
6.1主要工作和创新点
6.1.1 主要工作
第一，本文详细梳理了股票价格预测研究领域的相关文献，从股票价格的影响因素、股票价格预测方法和上证综指预测等三方面展开。找出现有研究中值得改进的两个方向，一是股指价格预测选取的指标存在局限性，二是股指价格预测方法上有待新的尝试。
第二，根据有关股票价格波动的现代金融学理论，结合中国股票市场实际，从理论上建立了三因素预测模型：Pt+1=f（交易信息 t，投资者关注与投资者情绪 t，货币政策 t）。对于中国股市而言，上证综指的价格预测需要考虑历史交易信息、投资者关注和投资者情绪信息和货币政策信息等三方面因素的影响。
第三，参考现有研究，从数据的真实性、全面性和可靠性出发，选择开盘指数、收盘指数、当日最高指数、当日最低指数、成交量和成交额等 6 项指标作为历史交易信息的代理指标；选择股吧论坛用户关注和雪球网股民关注作为投资者关注的代理指标，选择上证综指换手率和财经新闻情感作为投资者情绪的代理指标；选择一年期存款利率、上海银行间同业拆放 7 天期利率和美元兑人民币汇率等 3 项指标作为货币政策的代理指标。
第四，采集和整理所需数据，对缺失值等异常情况进行数据清洗和处理，由于部分所选指标之间具有较高的相关性，对原始指标使用主成分分析方法分别构建 3 类信息源的综合指数，即历史交易信息综合指数（以下简称 SH 指数）、投资者情绪综合指数（以下简称 IS 指数）和货币政策综合指数（以下简称 MP 指数）
参考文献（略）
