Resumen

Predecir con precisión las tendencias de los precios de las acciones parece ser un gran desafío debido a que el entorno de los mercados de valores es extremadamente estocástico y complicado. Este desafío nos motiva constantemente a buscar caminos confiables para guiar el comercio de acciones. Mientras que la red Long Short-Term Memory (LSTM) tiene una estructura de compuerta dedicada bastante adecuada para la predicción basada en características contextuales, proponemos un modelo novedoso basado en LSTM. Además, diseñamos un mecanismo de fusión de características convolucionales multiescala para que el modelo explote extensamente las relaciones contextuales ocultas en pasos de tiempo consecutivos. La importancia de nuestro esquema diseñado es doble. (1) Beneficiándose de la estructura de compuerta diseñada para memorias a largo y corto plazo, nuestro modelo puede utilizar los datos históricos de las acciones dados de manera más adaptable que los modelos tradicionales, lo que garantiza en gran medida el rendimiento de predicción en escenarios de series temporales financieras (

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Pronóstico; Tendencias de precios de acciones; Red LSTM; Características contextuales; Fusión de características convolucionales multiescala; Series temporales financieras
• Keywords:Forecasting; Stock price trends; LSTM network; Contextual features; Multiscale convolutional feature fusion; Financial time series