2023年2月25日第7卷第4期现代信息科技ModernInformationTechnologyFeb.2023Vol.7No.41131132023.022023.02收稿日期：2022-08-03基于并联ResNet-GRU模型的股票价格预测赵萌，王倩影（河北经贸大学，河北石家庄050061）摘要：针对目前股价预测模型在随着网络层数增加而导致梯度发生极端变化的问题，提出一种并联残差神经网络（ResNet）和门控循环单元（GRU）网络模型对股票数据的收盘价进行预测。在沪深300股票价格数据上的实验结果表明，该模型的平均绝对误差（MAE）为6.714，均方根误差（RMSE）为60.961，预测误差均低于其他模型；且决定系数（R2）为99.472%，表明预测值和真实值较为接近。该模型对股票价格预测的效果较好。关键词：股价预测；股票价格；残差神经网络；门控循环单元中图分类号：TP183；F832.5文献标识码：A文章编号：2096-4706（2023）04-0113-04StockPricePredictionBasedonParallelResNet-GRUModelZHAOMeng,WANGQianying(HebeiUniversityofEconomicsandBusiness,Shijiazhuang,Hebei050061,China)Abstract:Aimingattheproblemthatthecurrentstockpricepredictionmodelchangesthegradientextremelyasthenumberoflayersofthenetworkincreases,aparallelResNetandGRUnetworkmodelareproposedtopredicttheclosingpriceofstockdata.ExperimentalresultsontheCSI300stockpricedatashowthattheMeanAbsoluteError(MAE)ofthemodelis6.714,theRootMeanSquareError(RMSE)is60.961,andthepredictionerrorislowerthanthatofothermodels.Andthecoefficientofdetermination(R2)is99.472%,whichindicatesthatthepredictedvalueandthetruevaluearerelativelyclose.Themodelhasabettereffectonstockpriceprediction.Keywords:stockpriceprediction;stockprice;ResNet;GRU0引言在股票时间序列数据中存在许多噪声信息和不确定性因素，是一个具有非线性、非平稳性和长期记忆性等特点的复杂系统，准确预测股票价格可以降低交易风险且对于投资者来说具有重要意义。股价预测的传统方法有多元线性回归法、自回归移动平均法（ARIMA）等。如李俊豪[1]通过使用因子分析改进的多元线性回归模型对贵州茅台股票的收盘价进行预测；刘松等[2]通过建立ARIMA模型对西南证券股票的短期数据收盘价进行研究；齐天铧[3]建立了灰色模型和ARIMA模型，分析了模型的应用场景并对股票价格进行预测。近年来，伴随着人工智能网络技术的飞速发展，机器学习和深度学习等算法在各领...
