NP-DNN：基于DNN的股票市场价格预测方法，效果优于LLM，准确率达到99.21%

“Stock Market Price Prediction using Neural Prophet with Deep Neural Network”

股票价格预测因市场随机波动，是经济学重要且难的课题。现有的时间序列预测的统计方法往往不能有效地预测未来股票价格的概率范围。本文提出NP-DNN来预测股票价格，使用z-score归一化来规范化股票价格数据，使用MLP学习股票市场价格之间复杂的非线性关系。与使用融合大语言模型（LLM）的其他方法相比，NP-DNN的准确率达到99.21%。

【 扫描文末二维码加入星球获取论文 】

摘要

股票市场价格预测是一个重要的跨学科研究领域，它依赖于金融学、统计学和经济学的交叉。现有的时间序列预测的统计方法往往不能有效地预测未来股票价格的概率范围。本文提出NP-DNN来预测股票价格，使用z-score归一化来规范化股票价格数据，使用MLP学习股票市场价格之间复杂的非线性关系。与使用融合大语言模型（LLM）的其他方法相比，NP-DNN的准确率达到99.21%。

简介

股票价格预测因市场随机波动，是经济学重要且难的课题。投资前需分析数据，大量股价数据影响投资决策，股价波动受供需等因素影响。现有方法难应对复杂市场动态，AI、ML、DL能捕捉复杂关系实现更好预测。

本研究通过以下组件预测股票价格：

• Neural Prophet捕捉历史模式等，处理不规则间隔，提升DNN输入质量。

• Deep Neural Networks学习复杂非线性关系，准确预测价格。

• Multi - Layer Perceptron用于特征提取，增强预测性能，为DNN提供更好输入。

方法

本研究用NP-DNN基于提取特征和Optuna调优预测股价，以Crunchbase数据集为输入，采用Z-score归一化等预处理技术和缺失值插补确保模型一致性，MLP学习模式生成特征表示，图1展示股价预测过程。

数据集

Crunchbase数据集是公开数据库，含可获取的LinkedIn资料数据。该平台为公私企业提供商业、专业资料等信息。2021年9月对其开展实验研究，数据分组织、人员、投资三类，还包含部分在Crunchbase留LinkedIn资料的公司样本数据。

预处理

对Crunchbase数据进行预处理，可提升原始数值数据质量与金融信息准确性和价值。运用Z-score技术标准化数据，便于识别金融统计规律与模式，利于股市预测等分析。

采用两阶段法处理数据不规则问题，用panda收集技术去除异常值后进行时间插补，通过线性插值确定数据点间缺失值。Z-score标准化方法在模型分析前对初始数据预处理，计算标准差并得出标准化结果。

基于MLP的特征提取

预处理数据用于特征提取可提升预测精度。

MLP 至少含输入、隐藏、输出层，能处理变量间非线性依赖与模式，可基于股市数据特点微调以优化特征提取，额外隐藏层处理复杂近似任务。

MLP 是有向连接的单网络，用反向传播算法进行有监督学习，解决了感知机无法识别线性不可分数据的问题。

MLP 全连接，各层神经元相连。隐藏层输出 𝐾₁ = 𝑓(𝑉₁𝑋 + 𝐶₁) ，输出层 𝑌 = 𝐺(𝑉ₗ𝐾ₗ + 𝐶ₗ) ，改变神经元偏置或权重会使输出变化。

使用DNN进行预测

DNN含激活层，常用全连接层将输入训练数据转换到高维特征空间以捕捉股市价格模式复杂特征，通过线性变换（乘权重加偏置）处理数据；输出层用SoftMax函数，取值0到1，接近1为最终结果；扁平化层将输出转为一维供全连接层使用。

Neural Prophet（NP）：NP模型与深度学习结合提升预测效果，包含趋势、季节性、额外回归和自回归等元素，分别代表趋势、季节性、假日函数和误差变化。

超参数调优：使用Optuna进行超参数调优，它是贝叶斯优化策略，能在预定义范围搜索超参数，自动调优机制可提升DNN模型性能，确保其精准预测股价。

实验

实验设置

NP-DNN性能取决于训练和测试数据集，在Python 3.8环境实现，运行于特定硬件和系统。用召回率、精确率、F1 - 分数等分析指标评估。

性能分析

用 Crunchbase 数据集对开发的 NP-DNN 进行综合分析，通过多种性能指标验证设计方法效率。图 2 展示超参数调优结果，评估 PSO、ACO、HHO、GWO 等优化方法，NP - DNN 探索能力最佳，能解决情感识别特征问题，有效选择关键特征，在该数据集上准确率达 93.21%。

对比分析

将NP-DNN方法与DSS、LightGBM、RF、LLM等现有方法，基于Crunchbase数据集用多性能指标对比。NP-DNN在预测股价上准确率更高，在图3中展示其与不同性能指标情况，该方法表现更优、提升分类准确率，在该数据集上准确率达93.21%。

讨论

股市波动大，仅靠历史数据难准确预测股价。集成微博和新闻实时信息有价值，但需先进模型处理。NP-DNN 模型捕捉前后数据依赖提升预测效果，结合 Optuna 调优超参数可提高精度。Z 分数归一化和缺失值插补预处理、MLP 特征提取法有助于精准预测。这些方法构成框架提升股价预测准确性和可靠性，NP-DNN 方法对 Crunchbase 数据集预测准确率达 93.21%。

总结

预测股价因市场波动和外部因素影响而复杂。结合优化NP算法与NP-DNN调优超参数可提升模型预测性能，Z-score归一化提升数据质量，MLP特征提取技术精炼输入数据、提取重要特征。该方法凸显优化算法在不可预测环境预测中的重要性，识别动态环境下股价困难。未来将探索融入更多金融和宏观经济变量，研究其他深度学习架构或混合优化技术以提高预测准确性。

我们致力于人工智能、量化交易领域前沿研究，分享前沿论文、模型代码、策略实现。如有相关需求，请私信与我们联系。

请加微信“LingDuTech163”，或公众号后台私信“联系方式”。

关注【灵度智能】公众号，获取更多AI资讯。