随着社会经济的高速发展, 上市公司的数量越来越多, 股票因而成为如今金融领域的热点话题之一. 一方面, 股票价格的走势在一定程度上决定了诸多经济行为的走向, 因此股票价格的预测也受到越来越多研究者的关注. 另一方面, 互联网的不断发展为我们提供了海量的金融数据, 也就为机器学习算法的实现提供了可能, 因此有越来越多的研究者开始尝试使用机器学习对股票价格进行预测。 在小组作业的时候，发现： 一只股票本身并不只包含价格信息, 还包含大量经济学的外围信息, 例如: 资产收益率、换手率、流通股数、市盈率、市净率等, 这些信息在量化选股策略中经常会使用到, 它们对股票本身的价格走势有一定影响作用, 因而这些诸多的外围信息可以为股票价格预测模型提供一定的帮助.
本文将其中的多因子模型(multiple-factor model)作为股票的额外特征引入到股票价格预测中, 建立了一个基于多变量的长短期记忆网络(multi-variable LSTM)股票价格预测模型, 用以提升只基于单一价格序列, 也即单变量长短期记忆网络(univariate LSTM)的股票价格预测模型的准确性以及鲁棒性. LSTM:是一个循环神经网络，能够处理长期依赖关系。 时间序列分析：时间序列表示基于时间顺序的一系列数据。 MTS_LSTM： 基于 lstm 的 时间序列分析
数据处理成 shape:（30，5, ）， 即： 每一个输入为 （30，5）的二维矩阵，输出为1 维 输入是 30天的['open','high','low','close','amount'] 输出为 目标天数的开盘价