摘要：针对当前神经网络在长时间跨度的股票指数预测中精度和泛化能力不足的问题,提出一种融合可学习激活函数的KAN(Kolmogorov-Arnold network)与双向长短期记忆(BiLSTM)网络的新模型——KAN-BiLSTM。利用BiLSTM提取股票数据的双向时间特征,通过KAN强大的非线性函数逼近能力增强模型表达能力,提升整体预测性能。在多个长时间跨度的股票指数数据集上进行对比实验,结果显示KAN-BiLSTM模型的预测精度相比BiLSTM模型有所提高,在泛化性方面表现也更优,验证了其在股票指数预测中的有效性。
