论文部分内容阅读
股票指数数据是典型的时间序列,对其预测具有极强的不确定性。针对这一问题,提出了基于主成分分析(PCA)和多层门控神经网络(GRU)相结合的预测模型。采用1993—2018年上证综指指数前5 800天的每日基本数据进行训练,剩余数据作为测试集,并与传统的循环神经网络(RNN)和长短期记忆网络(LSTM)进行对比,通过多次对比实验求均值的方法,发现在测试集中通过构建PCA与RNN、LSTM、GRU的一层、两层、三层模型的融合模型,两层GRU取得了最好的效果,数据均方根误差(RMSE)值和趋势预测准确率分