基于組合模型的股票收盤(pán)價(jià)短期預(yù)測(cè)方法

魏健 趙紅濤 劉敦楠

摘 要：股票收盤(pán)價(jià)的漲跌受到多方面的影響，針對(duì)傳統(tǒng)單一的算法難以準(zhǔn)確預(yù)測(cè)收盤(pán)價(jià)，而CNN-LSTM和GBDT為神經(jīng)網(wǎng)絡(luò)模型和決策樹(shù)算法中的杰出代表。設(shè)計(jì)基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）、長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）、梯度提升決策樹(shù)（GradientBoostingDecisionTree，GBDT）、CNN-LSTM的組合預(yù)測(cè)模型，通過(guò)Python對(duì)上證指數(shù)進(jìn)行實(shí)例驗(yàn)證以及與各單項(xiàng)預(yù)測(cè)模型比較得出，組合預(yù)測(cè)方法正確預(yù)測(cè)收盤(pán)價(jià)漲跌的比例遠(yuǎn)高于單項(xiàng)預(yù)測(cè)模型，其正確預(yù)測(cè)的比例達(dá)到了94.33%，在其他誤差標(biāo)準(zhǔn)上，組合模型也有一定的優(yōu)勢(shì)。

關(guān)鍵詞：收盤(pán)價(jià)短期預(yù)測(cè);灰色關(guān)聯(lián);DBSCAN聚類(lèi);CNN-LSTM模型;BP組合模型;GBDT模型

中圖分類(lèi)號(hào)：F830.91? ? ? ? 文獻(xiàn)標(biāo)志碼：A? ? ? 文章編號(hào)：1673-291X（2021）09-0075-05

引言

在股票市場(chǎng)中利用量?jī)r(jià)關(guān)系可以推測(cè)股價(jià)的走勢(shì)，近年來(lái)股票的漲跌也越來(lái)越受到人們的關(guān)注，所以精準(zhǔn)預(yù)測(cè)股票走勢(shì)無(wú)疑是一個(gè)很重要的問(wèn)題。根據(jù)近些年來(lái)金融工作者的反復(fù)研究，發(fā)現(xiàn)精準(zhǔn)預(yù)測(cè)收盤(pán)價(jià)對(duì)判斷股票的走勢(shì)有指導(dǎo)性作用[1]。

收盤(pán)價(jià)既是股票交易的暫時(shí)終點(diǎn)也很可能是新的價(jià)格變動(dòng)的開(kāi)端，因此它對(duì)預(yù)測(cè)股票變化趨勢(shì)有重要意義[2]。

蘇適等（2017）[3]和金之榆等（2019）[4]介紹了異常值的數(shù)據(jù)處理方法，認(rèn)為可以使用DBSCAN聚類(lèi)的方法來(lái)篩選異常值。孫麗潔（2020）[5]和馬煜等（2020）[6]使用灰色關(guān)聯(lián)度來(lái)判斷非線(xiàn)性各指標(biāo)之間的關(guān)系，同時(shí)選用關(guān)聯(lián)度較高的指標(biāo)作為重點(diǎn)研究對(duì)象。勾玄等（2020）[7]和歐陽(yáng)紅兵等（2020）[8]提出使用神經(jīng)網(wǎng)絡(luò)模型來(lái)預(yù)測(cè)股票收盤(pán)價(jià)，尤其是CNN和LSTM模型在預(yù)測(cè)中有良好的效果。劉月峰等（2020）[9]使用CNN-LSTM模型來(lái)對(duì)電力負(fù)荷值進(jìn)行預(yù)測(cè)，本文也嘗試用此模型對(duì)次日股票收盤(pán)價(jià)進(jìn)行預(yù)測(cè)。蘭筱莉（2018）[10]使用GBDT模型對(duì)股票收盤(pán)價(jià)進(jìn)行預(yù)測(cè)，進(jìn)而選出盈利可能性更大的股票。張晨等（2019）[11]提出，利用集成模型進(jìn)行預(yù)測(cè)。鄧云濤等（2020）[12]指出，組合模型可以更好地對(duì)目標(biāo)值進(jìn)行預(yù)測(cè)。范中洲等（2020）[13]使用BP神經(jīng)網(wǎng)絡(luò)確定各指標(biāo)的權(quán)重，將各個(gè)指標(biāo)更好地組合在一起，本文參考用此方式來(lái)提高對(duì)股票漲跌預(yù)測(cè)的準(zhǔn)確率。使用BP神經(jīng)網(wǎng)絡(luò)可以通過(guò)反向傳播算法調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)各層的權(quán)重系數(shù)，一旦有新的數(shù)據(jù)出現(xiàn)也可再次調(diào)整權(quán)重系數(shù)，從而尋找最優(yōu)值。

股票市場(chǎng)的漲跌受多方面的影響，其收盤(pán)價(jià)的變化規(guī)律受多種因素影響，許多單一的方法難以勝任對(duì)股票漲跌的預(yù)測(cè)。相對(duì)而言，組合預(yù)測(cè)方法將兩種或多種方法結(jié)合在一起，使用權(quán)重系數(shù)將各種方法聯(lián)結(jié)在一起，能夠起到更加精準(zhǔn)預(yù)測(cè)的效果。

在單項(xiàng)預(yù)測(cè)模型的選擇上，本文考慮到CNN-LSTM模型結(jié)合了CNN和LSTM的優(yōu)點(diǎn)，很大程度上克服了輸入序列長(zhǎng)度過(guò)長(zhǎng)而導(dǎo)致的梯度消失的現(xiàn)象。此外，決策樹(shù)集成模型學(xué)習(xí)能力強(qiáng)，泛化能力好，GBDT模型是決策樹(shù)集成模型的典型代表。所以，本文選用上述模型作為單項(xiàng)預(yù)測(cè)模型。

本文使用網(wǎng)易財(cái)經(jīng)的股票數(shù)據(jù)，研究基于BP神經(jīng)網(wǎng)絡(luò)確定權(quán)重的組合預(yù)測(cè)方法，并以上證指數(shù)為例進(jìn)行實(shí)證研究，希望提出一種可以準(zhǔn)確預(yù)測(cè)股票收盤(pán)價(jià)漲跌的方法。

一、單項(xiàng)預(yù)測(cè)模型介紹

（一）CNN-LSTM模型

CNN-LSTM模型對(duì)股票收盤(pán)價(jià)進(jìn)行預(yù)測(cè)的過(guò)程中，首先利用CNN提取數(shù)據(jù)特征，消除噪聲并尋找不同維度數(shù)據(jù)之間的關(guān)系。然后將CNN處理后的信息導(dǎo)入LSTM網(wǎng)絡(luò)。LSTM可以學(xué)習(xí)時(shí)序之間的特征，從而在很大程度上解決了LSTM間隔時(shí)間較長(zhǎng)而忽略相關(guān)信息的劣勢(shì)[3]，具體算法流程如下頁(yè)圖1所示。

CNN-LSTM計(jì)算步驟：

第一步，將經(jīng)過(guò)數(shù)據(jù)預(yù)處理的數(shù)據(jù)輸入卷積神經(jīng)網(wǎng)絡(luò)。第二步，卷積層中的卷積核負(fù)責(zé)提取數(shù)據(jù)特征，池化層通過(guò)過(guò)濾不重要信息，加強(qiáng)重要信息。第三步，經(jīng)過(guò)Flatten層，將經(jīng)過(guò)卷積層和池化層處理的數(shù)據(jù)構(gòu)造為特征向量形式輸入LSTM層。第四步，LSTM層可以學(xué)習(xí)時(shí)間序列之間的關(guān)聯(lián)，學(xué)習(xí)特征內(nèi)部的變化規(guī)律。第五步，Dense層負(fù)責(zé)進(jìn)一步學(xué)習(xí)數(shù)據(jù)中隱含的特征，起到加強(qiáng)學(xué)習(xí)的作用。第六步，Dropout降低過(guò)擬合。

由于CNN、LSTM算法為CNN-LSTM模型的一部分，所以下文不再對(duì)CNN、LSTM模型的細(xì)節(jié)做過(guò)多敘述。

（二）GBDT模型

GBDT是一種基于Boosting提升樹(shù)的算法。Boosting 思想是在剛剛建立決策樹(shù)的時(shí)候每個(gè)樣本的權(quán)重都一樣，在前一棵樹(shù)學(xué)習(xí)完畢之后，后面的決策樹(shù)根據(jù)前面樹(shù)學(xué)習(xí)的誤差來(lái)調(diào)整自身的權(quán)重。從而將重點(diǎn)集中在殘差較大的決策樹(shù)[17]。GBDT在Boosting上加入了梯度下降運(yùn)算，每一次建立決策樹(shù)都在前一個(gè)決策樹(shù)的梯度下降方向，從而更好地利用前者的信息。

GBDT 算法流程：

設(shè)前一輪計(jì)算得到的決策樹(shù)是ft-1（x），損失函數(shù)：

L（y，ft-1（x））

式中，x為輸入值，y為真實(shí)值，ft-1（x）為模型預(yù)測(cè)函數(shù)。

損失函數(shù)的負(fù)梯度如式（1）所示：

得到本輪損失函數(shù)：

L（y，ft（x））=L（y，ft-1（x）+ht（x））（2）

結(jié)果為弱回歸樹(shù)。

求出使得損失函數(shù)最小的輸出值cij：

得到了本輪的決策樹(shù)擬合函數(shù)如下：

E為單位矩陣。

本輪得到的強(qiáng)回歸樹(shù)為：

GBDT模型的流程如圖2所示。

（三）BP組合模型

BP神經(jīng)網(wǎng)絡(luò)（BP Neural Network）由三部分組成，分別是輸入層、隱含層和輸出層。設(shè)輸入層包括m個(gè)節(jié)點(diǎn)，設(shè)其輸入向量為（x1，x2，……xm）T，其隱含層包含k個(gè)節(jié)點(diǎn)，其輸出變量為（y1，y2……yk）T。其中，輸入層和隱含層的權(quán)重用矩陣A表示，A=（aij）m×k。隱含層和輸出層的權(quán)重用矩陣B表示，B=（bij）k×n。因?yàn)槭穷A(yù)測(cè)模型，所以輸出層只有一個(gè)神經(jīng)元。設(shè)經(jīng)過(guò)BP神經(jīng)網(wǎng)絡(luò)計(jì)算輸出的向量為D=（d1，d2，……dn）T，真實(shí)值為Z=（z1，z2，……zn）T。

隱含層輸出如式（6）所示：

輸出層輸出如式（7）所示：

1.計(jì)算誤差。設(shè)神經(jīng)網(wǎng)絡(luò)某一個(gè)神經(jīng)元的輸出值和真實(shí)值的誤差為Ei：

總誤差：

2.反向傳播。反向傳播是由輸出層輸出d與真實(shí)值o相比較得到的誤差信號(hào)？啄0，以上述的誤差對(duì)各層的連接權(quán)進(jìn)行調(diào)整[8];誤差信號(hào)？啄0反向傳至隱含層，得到隱含層的誤差信號(hào)？啄yj，由此對(duì)輸入層與隱含層間的連接權(quán)進(jìn)行調(diào)整。計(jì)算公式如式（10）至式（12）所示：

zj（t）=zj（t-1）zj（t）=zj（t-1）（12）

本文將CNN-LSTM、CNN、LSTM、GBDT方法的預(yù)測(cè)值作為輸入變量輸入至BP神經(jīng)網(wǎng)絡(luò)，最終經(jīng)過(guò)運(yùn)算得到了預(yù)測(cè)值。

二、算例分析

（一）誤差標(biāo)準(zhǔn)

在對(duì)于上證指數(shù)的次日收盤(pán)價(jià)預(yù)測(cè)中，一共使用有效數(shù)據(jù)1 457條，將前1 200條數(shù)據(jù)作為訓(xùn)練集，時(shí)間跨度為2014年1月2日至2018年12月28日，其余為測(cè)試集，時(shí)間跨度為2019年1月2日至12月30日，使用平均絕對(duì)百分比誤差（Mean Absolute Percentage Error，MAPE）和均方根誤差（Root Mean Square Error，RMSE）、均方誤差（Mean-Square Error，MSE）來(lái)測(cè)評(píng)模型預(yù)測(cè)的誤差。其表達(dá)式如式（13）至式（15）所示：

其中，N表示樣本數(shù)量，yi表示股票第i日收盤(pán)價(jià)的實(shí)際值，i表示股票第i日收盤(pán)價(jià)的預(yù)測(cè)值。除了上述三種誤差外，再增加預(yù)測(cè)漲跌的準(zhǔn)確率。對(duì)于預(yù)測(cè)收盤(pán)價(jià)的漲跌是否準(zhǔn)確地計(jì)算，是用后一天的收盤(pán)價(jià)減去前一天的收盤(pán)價(jià)與模型的預(yù)測(cè)值減去前一天的收盤(pán)價(jià)對(duì)比，若符號(hào)相同則認(rèn)為正確地預(yù)測(cè)了漲跌，最后用符號(hào)相同的個(gè)數(shù)除以總個(gè)數(shù)即為結(jié)果。

（二）數(shù)據(jù)預(yù)處理

1.異常值處理。異常值的存在很大程度上影響了預(yù)測(cè)的效果。本節(jié)采用DBSCAN算法（Density-Based Spatial Clustering of Applications with Noise，DBSCAN）對(duì)異常值進(jìn)行檢測(cè)。本節(jié)使用的數(shù)據(jù)為2014年1月2日至2019年12月31日的數(shù)據(jù)，總共有1 463條數(shù)據(jù)。

DBSCAN 算法中有兩個(gè)重要參數(shù)：Eps 和 MmPtS。Eps是劃分一定密度點(diǎn)所需要的半徑，MmPts 為閾值[9]。

本節(jié)運(yùn)用python中sklearn庫(kù)進(jìn)行DBSCAN算法運(yùn)算。在此運(yùn)算過(guò)程中，模型參數(shù)的設(shè)定是聚類(lèi)中極其重要的一步。經(jīng)過(guò)仔細(xì)調(diào)試，確定參數(shù)分別設(shè)置為eps=1.0，min_samples=5。

經(jīng)過(guò)DBSCAN聚類(lèi)處理，將異常值標(biāo)注為-1，共篩選出6條異常值數(shù)據(jù)。由于一共存在14個(gè)指標(biāo)，所以無(wú)法使用圖像直觀地進(jìn)行觀察，經(jīng)過(guò)處理之后的有效數(shù)據(jù)總共1 457條數(shù)據(jù)。

2.灰色關(guān)聯(lián)分析。在本案例分析中，對(duì)于本文初步選取能夠量化的幾個(gè)指標(biāo)進(jìn)行分析，包括前一交易日的最高價(jià)、最低價(jià)、開(kāi)盤(pán)價(jià)、收盤(pán)價(jià)、漲跌額、漲跌幅、成交量、成交金額作為當(dāng)日股票收盤(pán)價(jià)的影響指標(biāo)。由于上述影響指標(biāo)過(guò)多，在進(jìn)行下文訓(xùn)練分析時(shí)效率過(guò)低，本案例將對(duì)其進(jìn)行篩選。

指標(biāo)篩選的方法有很多，如Person相關(guān)系數(shù)、灰色關(guān)聯(lián)度（Grey Relation）等，對(duì)于本案例所研究的數(shù)據(jù)而言，指標(biāo)對(duì)于收盤(pán)價(jià)的影響大都是非線(xiàn)性的。因此，選擇灰色關(guān)聯(lián)度[11]作為篩選指標(biāo)的方法。

從表1可以看出，這9個(gè)指標(biāo)與上證指數(shù)下一個(gè)交易日收盤(pán)價(jià)的灰色關(guān)聯(lián)度。為了使得計(jì)算快捷，本文選擇關(guān)聯(lián)度大于0.9的指標(biāo)。故本文選擇最高價(jià)、最低價(jià)、開(kāi)盤(pán)價(jià)、收盤(pán)價(jià)、總市值、流通市值這6個(gè)指標(biāo)作為單項(xiàng)預(yù)測(cè)模型的輸入樣本，預(yù)測(cè)上證指數(shù)下一日收盤(pán)價(jià)。

（三）預(yù)測(cè)收盤(pán)價(jià)

1.CNN-LSTM模型。在本節(jié)預(yù)測(cè)次日上證指數(shù)收盤(pán)價(jià)的過(guò)程中，設(shè)置三層CNN層，其中卷積核設(shè)定為20個(gè)，stride=1;設(shè)置兩層LSTM層每層設(shè)定20個(gè)神經(jīng)元;使用兩層Dense層，神經(jīng)元數(shù)量設(shè)置為16個(gè)。訓(xùn)練次數(shù)設(shè)定為1 000次，batch_size=1 200，輸出結(jié)果如下頁(yè)圖4所示。

雖然從圖4看出預(yù)測(cè)值對(duì)于真實(shí)值的擬合情況很好，但是對(duì)于次日漲跌預(yù)測(cè)的準(zhǔn)確率只有56.65%，這是由于影響股票漲跌的因素有很多，包括線(xiàn)性因素和非線(xiàn)性因素，所以單獨(dú)的一個(gè)模型并不能完好地反映所有影響收盤(pán)價(jià)漲跌的因素。

2.GBDT模型。在參數(shù)設(shè)置中，設(shè)置n_estimators=100，min_samples_split=2，min_samples_leaf=1，從而得到結(jié)果如圖5所示。由圖5可知，在前40個(gè)數(shù)據(jù)的預(yù)測(cè)中，由于收盤(pán)價(jià)持續(xù)走低，造成了GBDT預(yù)測(cè)不準(zhǔn)確的現(xiàn)象，而且在訓(xùn)練集中的2015年收盤(pán)價(jià)持續(xù)升高，這也造成了測(cè)試集中收盤(pán)價(jià)走低過(guò)程中預(yù)測(cè)不準(zhǔn)的現(xiàn)象。

從表2可以看出，單項(xiàng)預(yù)測(cè)模型對(duì)于股票漲跌的預(yù)測(cè)并不好，這是由于影響股票漲跌的因素有很多，包括線(xiàn)性因素和非線(xiàn)性因素，所以單獨(dú)的一個(gè)模型并不能完好地反映所有影響收盤(pán)價(jià)漲跌的因素[19]，因此需要綜合這幾種算法[12]，此處引入組合模型，而組合預(yù)測(cè)方法最重要的是確定幾種單項(xiàng)預(yù)測(cè)模型的權(quán)重。

3.BP組合模型。本節(jié)使用CNN-LSTM、GBDT、CNN、LSTM四種算法對(duì)于2017年9月7日至2019年12月30日收盤(pán)價(jià)的預(yù)測(cè)值為輸入變量，2017年9月7日至2019年12月30日的真實(shí)收盤(pán)價(jià)作為期望輸出值。同前文劃分訓(xùn)練集和測(cè)試集類(lèi)似，將2017年9月7日至2018年12月28日的數(shù)據(jù)作為訓(xùn)練集，2019年1月2日至12月30日的數(shù)據(jù)作為測(cè)試集。在訓(xùn)練過(guò)程中即確定了神經(jīng)網(wǎng)絡(luò)各層的權(quán)重系數(shù)，并在測(cè)試集中進(jìn)行驗(yàn)證[14～16]。

本文采用固定參數(shù)法[18]來(lái)調(diào)節(jié)模型參數(shù)，下面以BP神經(jīng)網(wǎng)絡(luò)中的訓(xùn)練次數(shù)和batch_size為例來(lái)確定BP組合模型的最優(yōu)參數(shù)。以下給出參數(shù)變化和MAPE的關(guān)系圖。

從圖6可知，應(yīng)設(shè)置2層隱藏層，每層神經(jīng)元設(shè)定10個(gè)神經(jīng)元，訓(xùn)練次數(shù)定為1 000次，batch_size=500。

從表3得知，組合模型在預(yù)測(cè)漲跌的準(zhǔn)確率方面比CNN-LSTM、CNN、LSTM、GBDT增加了37.68%、41.1%、43.38%、37.68%。同時(shí)在其他的誤差標(biāo)準(zhǔn)上，組合模型也具有一定優(yōu)勢(shì)。

結(jié)語(yǔ)

本文采用BP神經(jīng)網(wǎng)絡(luò)確定權(quán)重，將CNN-LSTM、CNN、LSTM、GBDT四種算法組合在一起[20]，通過(guò)分析上證指數(shù)數(shù)據(jù)進(jìn)行實(shí)例分析。從前面的分析可見(jiàn)，組合預(yù)測(cè)對(duì)上證指數(shù)收盤(pán)價(jià)的幾個(gè)峰值的預(yù)測(cè)效果都比較好，特別在預(yù)測(cè)漲跌方面的準(zhǔn)確率，準(zhǔn)確率達(dá)到了94.33%。本文暫時(shí)并未給出經(jīng)過(guò)精準(zhǔn)預(yù)測(cè)之后選擇股票的策略，不過(guò)顯然精準(zhǔn)預(yù)測(cè)收盤(pán)價(jià)對(duì)于后期選股有著十分重要的意義，本文提出的方法也有著很大的應(yīng)用潛力。

參考文獻(xiàn)：

[1]? 范高樂(lè).我國(guó)不同股票指數(shù)的風(fēng)險(xiǎn)及績(jī)效評(píng)估[J].技術(shù)經(jīng)濟(jì)與管理研究，2020，（4）：112-116.

[2]? 孫德山，任靚.基于主成分分析和遞歸神經(jīng)網(wǎng)絡(luò)的短期股票指數(shù)預(yù)測(cè)[J].遼寧師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2019，（3）：301-306.

[3]? 蘇適，周立棟，萬(wàn)筱鐘，陸海，嚴(yán)玉廷，王飛.計(jì)及氣象因素的用電負(fù)荷短期分時(shí)分類(lèi)預(yù)測(cè)模型與方法[J].電力建設(shè)，2017，（10）：76-83.

[4]? 金之榆，王毛毛，史會(huì)磊.基于DBSCAN和改進(jìn)K-means聚類(lèi)算法的電力負(fù)荷聚類(lèi)研究[J].東北電力技術(shù)，2019，（6）：10-14.

[5]? 孫麗潔.基于熵權(quán)—灰色關(guān)聯(lián)分析的電動(dòng)汽車(chē)充電基礎(chǔ)設(shè)施PPP項(xiàng)目風(fēng)險(xiǎn)評(píng)價(jià)研究[J].上海節(jié)能，2020，（4）：285-292.

[6]? 馬煜，黃哲洙，鐘麗波，李然，楊寧.基于CNN和SVR相結(jié)合的電力負(fù)荷預(yù)測(cè)分析[J].東北電力技術(shù)，2020，（2）：37-41.

[7]? 勾玄，肖先勇.基于經(jīng)驗(yàn)?zāi)Ｊ椒纸馀cLSTM神經(jīng)網(wǎng)絡(luò)的短期電價(jià)預(yù)測(cè)模型[J].西安理工大學(xué)學(xué)報(bào)，2020，（5）：1-8.

[8]? 歐陽(yáng)紅兵，黃亢，閆洪舉.基于LSTM神經(jīng)網(wǎng)絡(luò)的金融時(shí)間序列預(yù)測(cè)[J].中國(guó)管理科學(xué)，2020，（4）：27-35.

[9]? 劉月峰，楊宇慧.基于CNN-LSTM的短期電力負(fù)荷預(yù)測(cè)研究[J].科技創(chuàng)新與應(yīng)用，2020，（18）：84-85.

[10]? 蘭筱莉.基于GBDT等機(jī)器學(xué)習(xí)算法的新股量化策略研究[D].成都：西南財(cái)經(jīng)大學(xué)，2018.

[11]? 張晨，邱彤.基于決策樹(shù)集成模型的加油站銷(xiāo)量預(yù)測(cè)[J].計(jì)算機(jī)與應(yīng)用化學(xué)，2019，（6）：615-619.

[12]? 鄧云濤，張文君，周文韜，劉祥龍.基于AHP-PCA的熵組合權(quán)重的居民點(diǎn)用地適宜性評(píng)價(jià)——以?xún)?nèi)江市為例[J].西南科技大學(xué)學(xué)報(bào)，2020，（1）：45-50.

[13]? 范中洲，趙羿，周寧，趙沖，張文燁.基于灰色BP神經(jīng)網(wǎng)絡(luò)組合模型的水上交通事故數(shù)預(yù)測(cè)[J].安全與環(huán)境學(xué)報(bào)，2020，（3）：857-861.

[14]? 吳京龍.基于灰色關(guān)聯(lián)度的GM（1，1）-BP神經(jīng)網(wǎng)絡(luò)組合模型研究[J].重慶理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2019，（11）：207-210.

[15]? 陳芳，張迪，衛(wèi)微，郭娜.基于ARIMA和BP神經(jīng)網(wǎng)絡(luò)的民航事故征候率預(yù)測(cè)[J].安全與環(huán)境學(xué)報(bào)，2019，（6）.

[16]? 閆鵬洋，王利寧，郭培文，劉濤.基于組合賦權(quán)的遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)巖爆預(yù)測(cè)研究[J].廣東土木與建筑，2019，（10）：66-70.

[17]? 林慧煜.對(duì)上證指數(shù)收盤(pán)價(jià)預(yù)測(cè)的方案策劃[D].上海：上海師范大學(xué)，2019.

[18]? 楊紅軍，王勝輝，李瀟瀟.基于最優(yōu)加權(quán)組合模型的光伏出力預(yù)測(cè)[J].沈陽(yáng)工程學(xué)院學(xué)報(bào)：自然科學(xué)版，2019，（4）：300-305.

[19]? 林娜娜，秦江濤.基于隨機(jī)森林的A股股票漲跌預(yù)測(cè)研究[J].上海理工大學(xué)學(xué)報(bào)，2018，（3）：267-273+301.

[20]? 周俊峰，胡詩(shī)堯，安佳坤，韓璟琳，賀春光，馬國(guó)真.基于熵權(quán)法和灰色關(guān)聯(lián)度的中壓配電網(wǎng)供電水平關(guān)鍵性指標(biāo)研究[J].科技通報(bào)，2019，（12）：101-104.

Short Term Forecasting Method of Stock Closing Price Based on Combination Model

WEI Jian1，ZHAO Hong-tao1，LIU Dun-nan2

（1.School of Mathematics and Physics，North China Electric Power University，Beijing 102206，China;

2.School of Economics and Management，North China Electric Power University，Beijing 102206，China）

Abstract：The rise and fall of stock closing price is affected by many aspects.Traditional single algorithm is difficult to accurately predict the closing price，and CNN-LSTM and GBDT are neural network models，which are outstanding representatives of neural network and decision tree algorithm.Therefore，this paper designs a long short term memory neural-convolutional neural network（CNN-LSTM），gradient boosting decision tree（gradient boosting decision tree，GBDT）.The combined forecasting model of GBDT，CNN and LSTM，through the verification of Shanghai stock index by Python and the comparison with each single forecasting model，shows that the proportion of correct prediction of closing price rise and fall by combination forecasting method is far higher than that of single prediction model，and the correct prediction proportion reaches 94.33%.In other error standards，the combination model also has certain advantages.

Key words：short term forecast of closing price;grey relation;DBSCAN clustering;CNN-LSTM model;BP combination model;GBDT model