[논문 리뷰] Research on stock price forecast of general electric based on mixed CNN-LSTM model

Zeng‐Zhen Hu, Shen Bao외 2명|ArXiv.org|2025. 01. 15.

Energy Load and Power Forecasting인용 수 9

한 줄 요약

이 논문은 CNN-LSTM 혼합 모델을 구축하여 General Electric의 주가를 예측하며, CNN은 특징 추출, LSTM은 장기 의존성, 동적 학습률 및 L2 정규화가 포함된 SGD를 사용한다; 실시간 및 극한 시장 테스트가 필요하다고 보고한다.

ABSTRACT

Accurate stock price prediction is crucial for investors and financial institutions, yet the complexity of the stock market makes it highly challenging. This study aims to construct an effective model to enhance the prediction ability of General Electric's stock price trend. The CNN - LSTM model is adopted, combining the feature extraction ability of CNN with the long - term dependency handling ability of LSTM, and the Adam optimizer is used to adjust the parameters. In the data preparation stage, historical trading data of General Electric's stock is collected. After cleaning, handling missing values, and feature engineering, features with strong correlations to the closing price are selected and dimensionality reduction is performed. During model training, the data is divided into training, validation, and testing sets in a ratio of 7:2:1. The Stochastic Gradient Descent algorithm is used with a dynamic learning rate adjustment and L2 regularization, and the Mean Squared Error is used as the loss function, evaluated by variance, R - squared score, and maximum error. Experimental results show that the model loss decreases steadily, and the predicted values align well with the actual values, providing a powerful tool for investment decisions. However, the model's performance in real - time and extreme market conditions remains to be tested, and future improvements could consider incorporating more data sources.

연구 동기 및 목표

• 투자자 및 금융 기관의 정확한 주가 예측에 대한 동기를 부여한다.
• 하이브리드 CNN-LSTM 아키텍처를 사용하여 GE 주가 추세 예측을 개선하는 것을 목표로 한다.
• 데이터 정제, 특징 엔지니어링 및 차원 축소를 적용하여 예측 신호를 강화한다.
• 표준 회귀 지표로 모델 성능을 평가하고 규제화를 통해 과적합을 방지한다.

제안 방법

• CNN을 사용해 과거 주가 데이터에서 단기 특징을 추출한다.
• CNN 출력과 LSTM을 결합해 가격 역학의 장기 의존성을 포착한다.
• 동적 학습률과 L2 정규화를 사용하는 확률적 경사 하강법으로 학습한다.
• Adam으로 추상적 파라미터를 최적화하고 손실 함수로 MSE를 사용한다.
• 데이터를 학습 세트, 검증 세트, 테스트 세트로 7:2:1 비율로 분할한다.
• 분산, R-제곱, 최대 오차를 사용해 예측을 평가한다.

실험 결과

연구 질문

• RQ1 혼합 CNN-LSTM 모델이 기본 방법 대비 GE 주가 예측을 개선할 수 있는가?
• RQ2 특징 엔지니어링 및 차원 축소가 예측 성능에 어떤 영향을 미치는가?
• RQ3 모델이 표준 및 단기 예측 시나리오에서 어떻게 성능을 발휘하는가?
• RQ4 이 접근법의 실시간 및 극한 시장 조건 예측의 한계는 무엇인가?

주요 결과

• 모델 손실이 학습 동안 steadily 감소한다.
• 예측 값이 실제 GE 주가와 잘 일치한다.
• 이 방법은 투자 결정을 지원할 수 있는 도구를 제공한다.
• 실시간 성능 및 극한 시장 조건 테스트는 향후 연구로 남아 있다.
• 본 연구는 더 많은 데이터 소스를 도입하면 결과가 더욱 개선될 수 있음을 시사한다.