## 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，模型的结构如下：
- 输入层：接收经过预处理的股票价格数据。
- 卷积层：提取数据的局部特征。
- 池化层：降低数据的维度，减少计算量。
- 全连接层：将提取的特征映射到输出空间。
- 输出层：生成最终的预测结果。
## 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，从而提高模型的收敛速度和稳定性。此外，我们还采用了早停策略（Early Stopping）来防止过拟合，即在验证集上的性能不再提升时提前终止训练。
## 2.2.4 模型评估
为了评估模型的性能，我们使用了多种指标，包括均方误差（MSE）、平均绝对误差（MAE）和决定系数（R²）。这些指标能够从不同角度反映模型的预测精度和拟合程度。实验结果表明，我们的模型在测试集上取得了较好的表现，能够有效预测股票价格的走势。