大家好，今天小编关注到一个比较有意思的话题，就是关于股票分析lstm的问题，于是小编就整理了2个相关介绍股票分析lstm的解答，让我们一起看看吧。
首先简单回顾下循环神经网络（RNN）的动机和概念。
循环神经网络的动机，是用隐藏状态记住一些历史信息，以处理序列化的输入数据。比如，字符识别问题中，单个字符的识别，和前后的字符都是相关的。再比如，处理视频，视频的每一帧，和前后帧也是相关的。
这里给出一些简单的示意代码：
rnn = RNN(D, H)
这里的`D`代表输入序列，`H`代表状态序列。输入序列`D`被转化为状态序列`H`。
h = rnn.next(h0, x)
这里`h0`是初始状态序列，`x`是输入序列。返回的输出`h`为包含时序信息的状态序列。
下一步运算之间使用上一步产生的状态序列：
h = rnn.next(x)
h的具体计算方法为：
LSTM表示长短期记忆，结合一个RNN的应用场景来说，使用RNN来自动生成科技文章。它的原理抛开数学来谈是很简单的，它通过大量学习科技文章来对每一个单词序列后面最有可能出现的词进行判断。在没有加入LSTM机制时，我们发现它的表现非常差，随机性太强，那么LSTM起到什么作用。可以理解为高频词会比较不会被遗忘，而低频词会进入到遗忘机制，从而更符合人类记忆。对于解决时间序列问题非常适合，但股票上的实践并不太好，我使用RNN+LSTM预测股票走势，准确率在57%左右，loss在0.8左右。实盘一个月收益可以忽略不计，只是不亏损。
这个问题是我已经曾试图回答过的问题，根据以前的回答， 我可以更系统的梳理一下。 一般经济学家和金融学者偏向于用他们学过的知识来解释股票，比如传统的经济学里面的 Efficient Market Hypothesis （EMH），市场是有效的，我们是不可能预测股价的走势的。但是数学家和计算机学家认为不确定性虽然很大，但是不代表我们找不到蛛丝马迹。如果我们真的对此无能为力的时候。为什么华尔街或伦敦的金融城还有很多人能够赚的本满钵满的呢？为什么DE Shaw, 量子基金等等金融大鳄要招数学家和计算机学家去做定量分析。所以这件事一定是在某种程度上可以做的。
1. 在大家没有关注机器学习的时候，以前就有很多科学家（尤其是数学家和计算机学家）从自己的领域中离开创办对冲基金，比如文艺复兴的 James Simons (https://en.wikipedia.org/wiki/James_Harris_Simons)， David. E. Shaw（https://en.wikipedia.org/wiki/David_E._Shaw），以前是哥伦比亚大学大学的教授，他的领域是计算化学，他用自己的对冲基金挣到足够的钱后，自己做了首席科学家来继续研究。
2. 机器学习的出现使这件事的门槛降低了，但是能够在市场上战胜别人绝对不能只是通过用别人现成的算法。尤其是对于时间序列，我们觉得RNN (Recurrent Neural Network)是一个非常好的选择，实施也是的确如此，也有一些工作用RNN（Elman or LSTM）来做金融时间序列分析。我们觉得只是用股票价格信息也许是不够的，毕竟股票市场是一个非常复杂的系统。我们曾经用过两种思路去研究这个问题。一种是找到宏观股票价格和微观交易者的关联模型。我们假设交易者是一个博弈模型，而宏观的数据是微观行为的体现。我们也曾做了一些这样的工作与实验。得到了一些初步的效果。 大家可以参考我们的工作：
http://www.sciencedirect.com/science/article/pii/S0925231216002356
http://dsd.future-lab.cn/research/publications/2011/ICCCI-springer.pdf
到此，以上就是小编对于股票分析lstm的问题就介绍到这了，希望介绍关于股票分析lstm的2点解答对大家有用。
