LSTM（长短期记忆网络）是一种特殊类型的循环神经网络（RNN），它能够学习长期依赖关系，因此在时间序列预测问题上表现出色。在股票预测方面，LSTM已经被尝试并取得了一定的效果，但是模型的预测准确率方面仅达到56.6%，比投掷硬币稍强一点点，其用于股票预测是不靠谱的。

下文内容一和二引自所示链接：

量化研究分享：使用LSTM模型预测股价_财富号_东方财富网
caifuhao.eastmoney.com/news/20230422185827459418210

一.LSTM模型:

首先说一下为什么要使用LSTM模型来预测股价。一方面，股价预测是高度非线性的，这就要求模型能够处理非线性问题；另一方面，股价具有时间序列的特性，适合使用循环神经网络。因此相比于众多ML和DL模型，LSTM在这个问题上有着天然的优势。

LSTM的全称是Long Short Term Memory，是循环神经网络（RNN）的一种，顾名思义，它具有记忆长短期信息的能力。长期困扰传统神经网络结构的一个基本问题是解释“信息”和“上下文”相互依赖的输入序列，在这个问题上RNN能起到一定的作用，但是当输入序列过长时RNN的权重矩阵要循环相乘，所以会产生梯度消失和梯度爆炸的问题，因此RNN不能解决长期依赖问题，这时候LSTM就可以派上用场了。

LSTM模型的1个神经元包含了1个细胞状态（cell）和3个门（gate）机制，三个门分别是输入门、遗忘门和输出门。其中输入门决定将哪些新信息添加到细胞状态，遗忘门负责单元状态的权重和激活函数，输出门决定输出什么，它决定了后面隐藏状态的值。LSTM的核心是细胞状态，它贯穿整个细胞却只有很少的分支，这样能保证信息不变的流过整个RNN。下面是 LSTM 神经元的典型内部工作图：

 

其中C(t-1)为上一时刻的细胞状态值，C(t)为这一时刻的细胞状态值；h(t-1)为上一时刻的输出，h(t)为这一时刻的输出。参数更新方法主要是反向传播和链式求导，具体公式在这里不做阐述。由于存储单元中编码的值不会重复更新，因此在使用反向传播训练时梯度不会消失，从而使LSTM能够克服梯度消失问题。

二.L如何通过LSTM模型实现股价预测。

0. 环境准备

导入数据分析常用的包：

导入深度学习keras框架。多年前毛豆做深度学习模型的时候，keras还是独立的包，其后端（底层框架）是可以选择tensorflow或Theano的，但现在keras已经集成到tensorflow中了，因此直接用tf.keras就好了：

1.获取数据

我们以今年的大牛股 $剑桥科技(SH603083)$ 为例，首先获取其去年一年的数据，通过设置参数skip_paused=True删除停牌日期：

先画一个蜡烛图看看：

 

2.数据预处理

首先我们将训练数据处理成深度学习训练要求的向量格式，特征值x为时间步N天内的股价数据，目标值y为第N+1天的股价数据。 这里我们仅使用股价数据就可以了，时间步长取30天：

对数据进行标准化：

然后将数据划分为训练集和测试集：

准备好数据后，接下来就可以建模了。

3.构建LSTM模型

模型主要涉及到的参数有激活函数、学习率、损失函数等。dropout的作用是防止过拟合，可以先不加。

我们初始化配置网络参数如下，这里的时间步长为30天，输出步长1天，即每次使用过去30天的数据来预测未来1天的数据，如果想预测未来3天的数据将outStep设置为3即可。

 

（注意，上面模型的构建方式为回归模型，我们也可以使用KerasClassifier将模型封装为分类模型，模型输出为上涨/下跌，这样可以更方便地评估模型的准确率。）

由于初始设置的参数不一定是最优的，我们可以使用网格搜索的方法对超参数进行调优。以激活函数的调优为例，可以备选softmax、relu、sigmoid等多个激活函数，看看哪一个激活函数下模型准确率最高：

打印结果如下（使用linear激活函数准确率最佳，实际效果差不多）

 

其余的各个参数以此类推，最终都可以得到最优参数。

在得到最优参数后，我们重新配置参数来构建模型：

然后再使用训练集数据训练神经网络：

4.预测股价

训练完成后，使用训练好的模型（回归模型）对测试集数据进行预测：

因为数据归一化过，我们使用inverse_transform方法将数据还原，这样就得到了预测后的数据：

将结果整理到一个数据框，包括真实股价、预测股价、真实涨幅、预测涨幅；我们构造一个新的列来记录模型对股票涨跌的判断是否正确，正确为1，错误为0:

查看结果：

 

例如12-19日剑桥科技股价真实值为11.50，预测值为11.40，虽然真实值和预测值之间有误差，但误差并不大，至少模型对涨跌的判断是正确的，因此tag为1。

12月20日剑桥科技股价真实值为11.58，预测值为11.12，这一天的预测结果误差就比较大了，真实情况是上涨的，而预测情况是下跌的，涨跌预测错误，因此tag为0。

那么通过整理后的数据，我们就可以统计模型预测值与真实值之间的误差以及预测的准确率，并由此评价模型是否可靠。

5.模型评估

股价的误差衡量我们采用平均绝对误差（MAE），其计算方式为目标值和预测值之差的绝对值之和。准确率（accuracy）即预测正确的样本数占总样本数的比例。如果更关注模型预测错误带来的风险，我们也可以使用假阳性率（false positive rate，FPR）来评估模型。

打印结果如下：

 

模型的预测准确率方面仅达到56.6%，比投掷硬币稍强一点点。注意这里的准确率是模型在测试集上的准确率，上面使用网格搜索得到的准确率是模型在训练集上的准确率，需要区分。

将预测值和真实值可视化，其中黄线为真实价格，蓝线为预测价格：

 

三、深度学习做股票预测是否靠谱

尽管LSTM模型可能在大多数时候能够捕捉到一定的趋势，但并不能保证总是准确的。此外，超参数的选择、数据的质量和模型的可解释性也是影响预测效果的重要因素。因此，深度学习在股票预测中的应用需要结合其他分析工具和方法，并且要有一定的风险意识。

深度学习用于归纳过去的数据来预测股票走势可能并不靠谱。这是因为股票市场受到多种复杂因素的影响，包括宏观经济、新闻事件、政策变化、市场情绪、政治事件等，这些因素很多是无法量化的，因此仅凭历史数据进行预测具有很大的不确定性，这些都可能影响模型的预测效果。因此用LSTM做股票预测是不靠谱的。