摘 要：在长短期记忆网络（LSTM）中引入自注意力机制应用于股票指数预测中，使模型可以处理不同时期的权值，加强了模型对历史数据趋势信息的提取能力。利用 LSTM 和 Attention 机制结合的 LSTM-Attention 神经网络应用于股票预测，对沪深 300 指数近 10 年数据进行预测研究。实验结果表明，在 LSTM 改进的神经网络 LSTM-Attention 的预测效果优于传统LSTM 神经网络模型的预测效果。
关键词：自注意力机制；股票指数预测；长短期记忆网络
DOI:10.19850/j.cnki.2096-4706.2021.16.025
中图分类号：TP181 文献标识码：A 文章编号：2096-4706（2021）16-0100-03
Research on Stock Index Forecast Based on Deep Model
DONG Shipeng
(Hebei University of Economics and Business, Shijiazhuang 050061, China)
Abstract: The introduction of the self-attention mechanism in the Long Short-Term Memory (LSTM) is applied to the stock index prediction, so that the model can handle the weights of different periods, and it strengthens the model’s ability to extract historical data trend information. The LSTM-Attention neural network combined with the LSTM and Attention mechanism is applied to stock forecasting, and the data of the Shanghai and Shenzhen 300 index in the past 10 years is used for forecasting research. The experimental results show that the prediction effect of the LSTM-improved neural network LSTM-Attention is better than that of the traditional LSTM neural network model.
Keywords: self-attention mechanism; stock index prediction; Long Short-Term Memory
参考文献：
[1] 赵岩，杨立洪 . 基于 CCA-BP 神经网络的股票价格预测研究 [J]. 统计与管理，2020，35（3）：66-69.
[2] 张康林，叶春明，李钊慧，等 . 基于 Pytorch 的 LSTM 模型对股价的分析与预测 [J]. 计算机技术与发展，2021，31（1）：161-167.
[3] 陈可心 . 基于深度神经网络的股票走势预测研究与应用 [D]. 南京：南京邮电大学，2020.
[4] 李昭昱，艾芊，张宇帆，等 . 基于 attention 机制的 LSTM 神经网络超短期负荷预测方法 [J]. 供用电，2019，36（1）：17-22.
[5] 赵红蕊，薛雷 . 基于 LSTM-CNN-CBAM 模型的股票预测研究 [J]. 计算机工程与应用，2021，57（3）：203-207.
[6] 徐月梅，王子厚，吴子歆 . 一种基于 CNN-BiLSTM 多特征融合的股票走势预测模型 [J]. 数据分析与知识发现，2021，5（7）： 126-137.
作者简介：董世鹏（1996.07—），男，汉族，河北邯郸人，研究生在读，研究方向：数据科学。