基于自适应遗传算法优化的LSTM模型在股票预测中的应用数据集

量化金融交易中预测股票价格问题是一个真正具有挑战性的问题。长短期记忆神经网络（Long-short term memory neural network, LSTM）在这个问题上已经显示出良好的效果。然而应用该方法存在两个主要问题。第一个问题是，构建神经网络结构和调整超参数的过程需要多次大量的手动尝试。第二个问题是该模型难以找到一个比较优秀的参数组合，实现良好的预测性能。因此，本研究提出一种AGA-LSTM算法，该方法使用自适应遗传算法自动优化网络结构和超参数。利用自适应交叉变异算子保持进化过程种群，即神经网络模型和参数组合的多样性和收敛性。本数据集为该算法在三个美股股票数据集上的进行大量实验研究得到的原始数据，同时与其他三种股票预测常用机器学习算法以及未优化的LSTM模型对比，表明本研究提出的模型具有较高的预测性能。本数据集为该算法在三个美股股票数据集上与其他三种股票预测常用机器学习算法以及未优化的LSTM模型实验研究对比得到的原始数据及基于原始数据分析获得的分析数据。

搜集汇总

背景与挑战

背景概述

该数据集包含基于自适应遗传算法优化的LSTM模型在三个美股股票数据集上的实验原始数据及分析结果。研究通过自适应遗传算法自动优化网络结构和超参数，以提升股票价格预测性能，并与未优化的LSTM模型及其他常用机器学习算法进行了对比验证。