LSTM 深度神经网络股票预测模型设计：隐藏层和节点数分析

在基于 LSTM 深度神经网络设计股票预测模型时，需要分析设计隐藏层和隐藏层节点的个数，以及输入节点和输出节点的个数。本系统用前 N 天的股票交易指标数据来预测第 N+1 天的股票价格。构建股票预测模型时需要对股票交易指标进行选取，设为 m 个 (m≤40)，输入层神经元个数为 m。股票预测模型输出值为第 N+1 天的股票价格。

构建 LSTM 深度神经网络股票预测模型，对于隐藏层数以及节点数的设置目前为止没有标准的方法。对具体问题要对隐藏层进行具体的设计，相关研究表明，提高预测模型的预测效果，增加隐藏层节点数比增加隐藏层数的效果更明显。影响股票市场动荡的因素多且复杂，本系统设置的隐藏层数为三层、两层 dropout 层和一层全连接层。其中第一层 LSTM 的输入维度为 (29,4)，即 29 个时间步，每个时间步包含 4 个特征 [15]。每个 LSTM 层的神经元数量都为 100，且都返回序列。全连接层的激活函数为线性函数。模型使用均方误差作为损失函数，使用 Adam 优化器进行训练。训练时每个 batch 的大小为 8，轮数为 1。模型的训练集和测试集的划分比例为 0.85，前 85% 作为训练集，剩下的 15% 作为测试集。训练完成后，将训练好的模型保存在指定的路径下。隐藏层节点数与预测模型的复杂度有重大关系。若隐藏层节点太少，会导致股票交易数据的特征学习不足；若隐藏层节点数过多，会导致预测模型过度拟合。