基于卷积与注意力增强的股票价格预测方法

摘要

股票市场受宏观经济、政策变动及投资者行为等因素影响，呈现高度非线性和动态复杂性，传统预测模型难以有效应对.近年来，以长短期记忆网络（LSTM）为代表的深度学习方法在时序预测中取得进展，但在捕捉复杂特征关系和空间动态方面存在不足.为此，提出一种融合卷积神经网络与空间-通道注意力机制的时空通道长短期记忆网络（TSC-LSTM）模型，通过卷积特征提取、残差通道注意力及多尺度空间注意力模块，提高模型对股票价格局部与全局特征的表达能力.基于平安银行、贵州茅台及上证指数的实验研究表明，在MAE、MSE和RMSE指标上，TSC-LSTM模型取得了更小的误差，具备更高的预测精度与泛化性能.

关键词

股价预测 / 深度学习 / LSTM / 卷积神经网络 / 注意力机制