その他令和8年1月8日

基于深度学习的股票价格预测模型研究

掲載日

令和8年1月8日

号種

号外

原文ページ

p.35

出典：官報発行サイト（内閣府）の掲載情報をもとに整理しています。重要な確認は公式原文を基準にしてください。

本文と原文の対照

まず左側の本文を読み、必要な箇所だけ原文ページで確認できる構成です。

原文対照の表示オプション

テキスト位置ガイドを表示非公開領域をマスクする

令和8年1月8日|p.35

左の本文を選ぶと、右側の官報原文画像で該当箇所を照合できます。

公式原文あり本文テキスト画像照合可誤りを報告

## 2.2.2 模型构建

在本研究中，我们采用了一种基于深度学习的模型来预测股票价格。该模型由多个卷积层和全连接层组成，能够有效地捕捉时间序列数据中的复杂模式。具体来说，模型的第一层是一个卷积层，用于提取局部特征；第二层是一个池化层，用于降低数据的维度；第三层是一个全连接层，用于将提取的特征映射到输出空间。

## 2.2.3 模型训练

在模型训练过程中，我们使用了Adam优化器来更新模型的参数。Adam优化器结合了动量法和自适应学习率的优点，能够在不同的训练阶段自动调整学习率，从而加速收敛并提高模型的泛化能力。此外，我们还采用了早停策略来防止过拟合，即在验证集上的性能不再提升时停止训练。

## 2.2.4 模型评估

为了评估模型的性能，我们使用了均方误差（MSE）和平均绝对误差（MAE）作为评价指标。MSE衡量了预测值与真实值之间的平方差的平均值，而MAE则衡量了预测值与真实值之间的绝对差的平均值。通过比较这两个指标，我们可以全面了解模型的预测精度和稳定性。

## 2.2.5 结果分析

实验结果显示，我们的模型在测试集上的表现优于传统的线性回归模型和支持向量机模型。具体而言，我们的模型在MSE和MAE两个指标上都取得了更低的值，表明其具有更高的预测精度。此外，我们还观察到模型在不同时间段内的预测效果较为稳定，说明其具有良好的泛化能力。

読み込み中...

テキスト領域

選択中

非公開 (PII)

関連する新着公告を見逃さないために

Pro プランでは会社名・機関名・キーワードを監視条件として保存し、新着掲載を継続確認できます。14日間無料で試せます。