文章摘要:针对LSTM网络中存在的重要参数通常由经验决定、主观性强、或受计算成本影响无法确定最优值，导致模型的拟合能力降低等问题，提出使用改进的粒子群算法优化LSTM网络中的关键参数，减少人为因素影响，优化预测过程，从而构建预测精度更高的股票价格预测模型。该模型通过构建动态多群粒子群优化器来提高PSO算法的寻优性能，避免出现局部最优。同时，针对股票市场数据维度高、噪声大及数据冗余导致模型训练成本增大、预测性能降低的问题，基于多种特征选择算法构建特征选择模型完成指标特征的过滤筛选，构建完善的预测指标体系。实验结果证明，所提出的股票价格预测模型的准确率得到了明显的提高，且具有普遍适用性。

文章关键词:

论文DOI:10.14135/j.cnki.1006-3080.20210616001

论文分类号:TP18;F832.51