金融时间序列预测，基于LSTM神经网络的股票价格预测，MATLAB代码

MATLAB代码实现了一套基于LSTM神经网络的股票收盘价预测与可视化分析。其研究背景源于金融时间序列预测中传统统计模型对非线性关系捕捉不足的问题，利用深度学习挖掘股价与成交量、开盘价、最高价、最低价及技术指标间的复杂依赖关系，以提升预测精度并辅助投资决策。

单步预测模型评估：使用基础OHLCV数据，构建延时输入窗口，训练LSTM网络预测下一交易日收盘价，并输出R²、RMSE、MAE、MAPE等评估指标及拟合对比图。
多输出未来趋势预测：引入移动平均线、RSI、MACD、波动率等增强特征，训练双向LSTM网络一次性预测未来连续5个交易日的收盘价序列。
可视化与K线增强：绘制历史与预测趋势曲线，并生成含成交量、移动平均线的彩色K线图，直观展示市场结构。

数据导入与预处理
从PriceData.xlsx读取日期、成交量及OHLC价格，构建初始特征矩阵。
单步预测模型构建
- 设定延时步长（15天）与预测步长（1天），通过滑动窗口生成监督学习样本。
- 划分训练/测试集（70%/30%），对输入特征和输出收盘价进行归一化至[0,1]。
- 构建单层LSTM网络（10个隐藏单元），采用Adam优化器训练，输出下一日收盘价。
- 反归一化预测值，计算回归评估指标并绘制拟合曲线。
多输出预测模型构建
- 计算5日/10日均线、14日RSI、MACD线及5日波动率，将原始数据扩展为10维增强特征。
- 以15天历史窗口预测未来5天收盘价，构造多输出监督样本。
- 设计双向LSTM网络（64单元）配合Dropout正则化与全连接层，训练时加入验证集监控。
- 利用末段窗口预测未来5个交易日收盘价，并跳过周末生成连续交易日日期。
可视化增强
- 绘制历史与预测收盘价对比曲线（含局部放大视图）。
- 生成最近60日K线图（红涨绿跌）并叠加MA5/MA10均线，下方附成交量柱状图。

监督样本构造
输入序列 Xi=[vi:i+k−1,...,ci:i+k−1]X_i = [\mathbf{v}{i:i+k-1}, \dots, \mathbf{c}{i:i+k-1}]Xi=[vi:i+k−1,...,ci:i+k−1] （k=15k=15k=15 天），目标 Yi=ci+k−1+ZY_i = c_{i+k-1+Z}Yi=ci+k−1+Z （单步时 Z=1Z=1Z=1，多输出时 Z=1...5Z=1\dots5Z=1...5）。
归一化
Min-Max线性映射：x′=x−xmin⁡xmax⁡−xmin⁡x' = \frac{x - x_{\min}}{x_{\max} - x_{\min}}x′=xmax−xminx−xmin，反归一化恢复实际量纲。
评估指标
- R2=1−∑(yi−y^i)2∑(yi−yˉ)2R^2 = 1 - \frac{\sum (y_i - \hat{y}_i)^2}{\sum (y_i - \bar{y})^2}R2=1−∑(yi−yˉ)2∑(yi−y^i)2
- RMSE =1n∑(yi−y^i)2= \sqrt{\frac{1}{n}\sum (y_i - \hat{y}_i)^2}=n1∑(yi−y^i)2
- MAE =1n∑∣yi−y^i∣= \frac{1}{n}\sum |y_i - \hat{y}_i|=n1∑∣yi−y^i∣
- MAPE =1n∑∣yi−y^iyi∣= \frac{1}{n}\sum \left|\frac{y_i - \hat{y}_i}{y_i}\right|=n1∑ yiyi−y^i
技术指标
- RSI(14)：RSI=100−1001+AvgGainAvgLossRSI = 100 - \frac{100}{1 + \frac{\text{AvgGain}}{\text{AvgLoss}}}RSI=100−1+AvgLossAvgGain100
- MACD线：快线EMA(12)与慢线EMA(26)之差。

完整代码私信回复金融时间序列预测，基于LSTM神经网络的股票价格预测，MATLAB代码