Resumen

La predicción de la dirección del movimiento del precio de las acciones es importante en los estudios financieros. En los últimos años, se han aplicado gradualmente varios modelos de aprendizaje profundo para la predicción de acciones. Este artículo presenta un marco de aprendizaje profundo para predecir la dirección del movimiento de los precios basándose en información histórica de series temporales financieras. El marco combina una red neuronal convolucional (CNN) para la extracción de características y una red de memoria a corto plazo (LSTM) para la predicción. En concreto, utilizamos una CNN tridimensional para la entrada de datos en el marco, incluida la información sobre series temporales, indicadores técnicos y la correlación entre índices bursátiles. Y en el tensor de entrada tridimensional, los indicadores técnicos se convierten en señales de tendencia deterministas y los índices bursátiles se clasifican mediante el coeficiente de correlación producto-momento de Pearson (PPMCC). Durante el entrenamiento, se utiliza una red totalmente conectada para que la CNN aprenda un vector de características, que actúa como entrada de la LSTM concatenada. Una vez que tanto la CNN como la LSTM están bien entrenadas, se utilizan finalmente para la predicción en el conjunto de pruebas. Los resultados experimentales demuestran que el marco supera a los modelos más avanzados en la predicción de la dirección del movimiento del precio de las acciones.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:dirección del movimiento del precio de las acciones, cnn, lstm, marco, predicción, índices bursátiles, indicadores técnicos, red neuronal convolucional, marco de aprendizaje profundo, modelos de aprendizaje profundo
• Keywords:stock price movement direction, cnn, lstm, framework, prediction, stock indices, technical indicators, convolutional neural network, deep learning framework, deep learning models