随着股票市场的建立和发展,在金融行业中对于股票价格变化趋势的预测一直是学者和投资者们关注的热点问题,有效预测股票价格的走势有着很大的经济价值和社会价值。前人一直不断使用各种计量经济模型、神经网络算法来预测股票价格的未来走势。时至今日,神经网络算法已被广泛应用于金融市场中,特别是在解决股票预测问题上效果显著。目前人们在股票价格预测问题中应用神经网络技术并根据市场内各种指标数据构造多个因子对股票时间序列进行分析预测。但是这仅仅考虑了市场内指标却忽略了市场外投资者可能对股票波动带来的影响。本文基于百度指数作为投资者关注度的衡量标准来构建有色金属板块的关键词词库,并根据关键词对有色金属板块内股票的波动进行预测。本文在理论介绍部分介绍了传统计量模型和神经网络模型的相关理论基础。实证部分首先根据百度指数页面的智能推荐引擎和需求图谱选取了有关有色金属板块的多个关键词,将选取的关键词数据作为衡量投资者关注度的指标。然后根据梯度提升树(GBDT)模型进行特征筛选,剔除部分无效的关键词。最后用自适应时刻估计法(Adam)作为优化算法以及绝对平均误差(MAE)损失函数构建双层LSMT模型,根据筛选后的关键词数据对有色金属板块的股票波动进行预测和分析。实证结果表明基于百度指数构建的投资者关注度可以准确的预测有色金属板块股票波动变化。为了验证增加关键词的维度是否有助于提高股票波动预测的准确率,选择与股票数据相关系数最高的一个关键词进行股票波动预测做对比实验。结果发现,增加有效关键词可以提高股票波动预测的准确率,若是增加了无效的关键词则会降低模型预测的准确率。最后实证结果对比表明,LSTM模型基于百度指数构建的关于有色金属的多维度关键词可以更有效得预测有色金属板块内的股票波动,但是在研究个别股票时可能需要进行有针对性的选取特征从而提高模型预测的准确性。
