基于LSTM深度学习模型和情感分析的股指趋势预测研究
摘要：在金融科技话题快速升温的今天，LSTM深度学习模型作为金融科技人工智能领域下的“新生代”预测模型，相较于机器学习等“初生代”模型有着更好的模型架构和更便捷的操作体验。但LSTM模型在进行预测的过程中并没有考虑现实投资环境中舆论评价对股票价格趋势带来的影响。因此，本文在LSTM深度学习模型的基础上，结合针对股市论坛中舆论评价的情感分析，对股票指数进行预测。希望能够进一步缩小预测误差，从而更准确地预测股票指数的趋势，帮助股指投资者进行投资标的操作方向的判断。
关键词：股指趋势预测；LSTM深度学习模型；情感分析
一、文献综述
LSTM深度学习模型最早由Hochreiter和Schmidhuber(1997)提出，是一种特殊的循环神经网络模型，该模型因其能够解决长序列数据在训练过程中的梯度爆炸和梯度消失问题，更好地发现长期依赖关系，而被广泛用于处理序列信息，如气温预测、语音识别、机器翻译等。
在国外，Thomas Fischer和Christopher Krauss(2017)将LSTM模型应用到股票指数的预测中，他们选取了1992年至2015年的标准普尔500（Samp;P500）指数成分股的样本外方向走势作为数据集，发现LSTM模型相较于随机森林（RAF）模型、深度神经网络（DNN）模型和逻辑回归分类（LOG）模型在对指数的预测上有更小的偏误。在研究的后半部分，他们用LSTM模型构建了一个投资策略，发现从1992年到2009年LSTM模型相对于一般市场表现优异，但截至2010年，由于超额回报已被套利，LSTM模型的净盈利能力在零左右波动。研究通过进一步的回归分析揭示了LSTM模型相较于三个基准模型有着对常见系统性风险敞口低的特性。
除了有学者将LSTM模型应用于美股股指的研究之外，Ha Young Kim和Chang Hyun Won(2018)还将LSTM模型应用到韩国股市股价的波动性预测研究中。他们将LSTM模型与一到三个广义自回归条件异方差（GARCH）模型相结合，对比结合后的新模型和GARCH单模型、深度前馈神经网络（DFN）单模型以及GARCH结合DFN模型，分别以KOSPI200作为数据集来进行预测，结果显示结合了LSTM模型的新模型在平均绝对误差（MAE）、均方误差（MSE）、异方差调整MSE（HMSE）等多个准确率指标下都有着不错的预测结果。
国内金融领域对深度学习算法的应用虽晚于国外但最近几年后来居上，也有许多学者发表了很多关于深度学习算法的研究，本文将简要介绍几篇涉及LSTM模型和情感分析的研究。
首先是关于LSTM模型本身的研究。赵琪、徐维军、季昱丞、刘桂芳、张卫国(2020)在其述评中详细地列举汇总了国内外学者应用传统机器学习算法进行资产价格预测及配置的应用和研究，总结了目前研究中机器学习的主要应用框架以及适用和局限性，进一步讨论将机器学习算法应用于资产价格预测和配置的未来可能研究趋势，从而推导出深度学习算法在未来研究中的优势。同时比较了采取LSTM模型进行预测的学者的研究结论，发现LSTM模型在预测资产价格趋势的时候相对于其他传统的机器学习算法能有更好的预测结果。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
