LSTM

在 LSTM 股價預測第二篇文章，我們希望不要只是紙上談兵，將模型套用在 out sample 的資料，並根據預測結果決定進場點，實測看看效果是不是也如預期的好。

隨著深度學習的蓬勃發展，越來越多時間序列相關的模型的出現，似乎能應用於未來股價的預測中。本文利用 LSTM 時間序列模型進行深度學習 LSTM 股價預測，使用前 5 日的開高低收成、年化ROE、動能因子及 RSI 指標預測隔日收盤價。

追逐利益、趨避風險是投資人的目標，預測股價動是達成上述目標的方法之一。過去人們使用ARIMA、GARCH等時間序列，試圖刻畫出未來股價的軌跡。到了今日，隨著深度學習的蓬勃發展，越來越多時間序列相關的模型的出現，似乎能應用於未來股價的預測中。本文即是利用GRU與LSTM兩序列相關模型進行股價預測，使用前5日的開盤、最高、最低、收盤價預測隔日收盤價。 過去【資料科學】LSTM已對LSTM有相當程度的介紹，於此不在多做贅述。本文多加入了同樣是RNN家族的GRU模型，檢驗GRU與LSTM在股價預測上的表現差異。GRU改動了LSTM中記憶單元的遺忘、輸入與輸出門，將其縮編為更新門與重置門，前者類似於LSTM中的遺忘與輸入門，負責決定每次迭代需保留與丟棄的信息，後者則是決定需丟棄過去累積的信息。從三門減少至雙門的情況下，GRU相較於LSTM能達成較快的運算速度，且其表現理論上不亞於LSTM。

預測股票一直是人們所追求的，然而股票的隨機性遠遠難以掌握，在資料科學的進步下，計算成本大幅降低，本文用使用相較於【量化分析(三)】預測市場?! 更複雜的深度學習模型，進行股票預測，使用前10天的開盤價、最高價、最低價、收盤價、成交量，預測隔天的收盤價。 本文使用RNN架構進行時間序列預測，需要對時間序列或是深度學習有基礎瞭解。