股票市場是一個動態(tài)的復(fù)雜非線性系統(tǒng),一直以來其未來趨勢被認(rèn)為難以預(yù)測,但是精確把握股票市場未來的趨勢,對于監(jiān)管機(jī)構(gòu)、投資機(jī)構(gòu)以及個人都有重要的現(xiàn)實意義。隨著數(shù)學(xué)統(tǒng)計方法的不斷發(fā)展和完善,使用數(shù)學(xué)模型準(zhǔn)確量化股市未來趨勢是至今仍舊火熱的研究課題。在研究推進(jìn)過程中,涌現(xiàn)了許多線性模型和非線性模型的方法。其中,機(jī)器學(xué)習(xí)模型因其強大的表征非線性數(shù)據(jù)的能力而慢慢受到研究者的重視,在股市預(yù)測中也取得了不錯的效果。結(jié)合現(xiàn)代數(shù)字金融的快速發(fā)展和數(shù)據(jù)量的擴(kuò)張,使用機(jī)器學(xué)習(xí)模型來研究股市的高頻數(shù)據(jù)成為全球金融市場研究的熱點之一。高頻數(shù)據(jù)相比低頻數(shù)據(jù)而言擁有更高的時效性和精確性,在短期趨勢預(yù)測中扮演重要的角色。基于上述背景,本文選取了A股中的強周期行業(yè)煤炭、鋼鐵(申萬行業(yè)分類標(biāo)準(zhǔn))所有的行業(yè)成分股作為研究對象,采用方法為深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)模型(CNN模型)和長短期記憶網(wǎng)絡(luò)模型(LSTM模型)。以股票未來趨勢預(yù)測中的影響因素為特征,來探索深度學(xué)習(xí)在股票高頻數(shù)據(jù)領(lǐng)域的應(yīng)用。CNN模型主要用來分類強周期股票不同時間段的交易模式,盡可能分辨強周期股票不同的交易時段和狀態(tài),以達(dá)到區(qū)分不同分布的目的;LSTM模型...

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【文章目錄】：
致謝
摘要
abstract
1 緒論
    1.1 研究背景
    1.2 研究意義
    1.3 研究內(nèi)容與方法
        1.3.1 研究內(nèi)容
        1.3.2 研究方法
    1.4 論文創(chuàng)新點
2 文獻(xiàn)綜述
    2.1 金融高頻數(shù)據(jù)國內(nèi)外研究狀況
    2.2 股票時間序列預(yù)測相關(guān)研究
        2.2.1 傳統(tǒng)金融模型
        2.2.2 深度學(xué)習(xí)模型
    2.3 文獻(xiàn)評述
3 周期股收益預(yù)測與機(jī)器學(xué)習(xí)的理論機(jī)制
    3.1 周期股收益預(yù)測理論機(jī)理
        3.1.1 經(jīng)濟(jì)周期理論與股票市場狀態(tài)
        3.1.2 股票收益預(yù)測理論
        3.1.3 股票收益影響因素匯總
    3.2 深度學(xué)習(xí)模型介紹
        3.2.1 神經(jīng)網(wǎng)絡(luò)
        3.2.2 監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)
        3.2.3 LSTM模型
        3.2.4 CNN模型
    3.3 股票預(yù)測模型理論依據(jù)分析
        3.3.1 交易模式的可預(yù)測性
        3.3.2 CNN+LSTM的混合模型優(yōu)點
4 模型實證檢驗
    4.1 數(shù)據(jù)樣本選取與指標(biāo)考量
    4.2 數(shù)據(jù)預(yù)處理與特征計算
        4.2.1 數(shù)據(jù)清洗
        4.2.2 特征數(shù)據(jù)描述
        4.2.3 特征標(biāo)準(zhǔn)化
        4.2.4 相關(guān)性檢驗
        4.2.5 標(biāo)簽計算
        4.2.6 訓(xùn)練集、驗證集、測試集劃分
    4.3 單一模型
        4.3.1 線性模型
        4.3.2 非線性模型
    4.4 CNN+LSTM混合模型
    4.5 結(jié)果分析
5 研究結(jié)論、建議與展望
    5.1 研究結(jié)論
    5.2 研究建議
    5.3 研究展望
參考文獻(xiàn)



本文編號：3879701