隨著金融市場(chǎng)發(fā)展的不斷完善,金融市場(chǎng)時(shí)間序列數(shù)據(jù)量日趨龐大,數(shù)據(jù)產(chǎn)生和累積速度快,傳統(tǒng)計(jì)量模型不能夠滿足大數(shù)據(jù)對(duì)非線性、高噪聲數(shù)據(jù)的處理要求。機(jī)器學(xué)習(xí)方法能充分挖掘數(shù)據(jù)特征,學(xué)習(xí)歷史數(shù)據(jù)規(guī)律,應(yīng)用于后續(xù)判斷�；跈C(jī)器學(xué)習(xí)方法的神經(jīng)網(wǎng)絡(luò)具有處理龐大數(shù)據(jù)集的能力,能夠進(jìn)行良好的非線性擬合,對(duì)金融時(shí)間序列處理具有無可比擬的優(yōu)勢(shì)。本文通過基于LSTM長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)對(duì)充滿噪聲,非線性變化的動(dòng)態(tài)金融時(shí)間序列進(jìn)行模型預(yù)測(cè),彌補(bǔ)基本分析法主觀評(píng)估的不足,為量化交易工作提供參考,為人工智能方法在金融時(shí)間序列問題上的應(yīng)用提供實(shí)踐指導(dǎo)性意義。本文基于LSTM神經(jīng)網(wǎng)絡(luò)對(duì)股票指數(shù)每日數(shù)據(jù)進(jìn)行回歸預(yù)測(cè),選取股票價(jià)格樣本類指數(shù)、綜合類指數(shù)和分類指數(shù)三種,建立全序列指數(shù)回歸預(yù)測(cè)、單步股票指數(shù)回歸預(yù)測(cè),多步股票指數(shù)回歸預(yù)測(cè)三種預(yù)測(cè)模型。實(shí)驗(yàn)過程包括數(shù)據(jù)預(yù)處理、網(wǎng)絡(luò)誤差評(píng)價(jià)指標(biāo)、網(wǎng)絡(luò)模型結(jié)構(gòu)搭建和損失函數(shù)圖像繪制。分析不同預(yù)測(cè)方法對(duì)不同樣本數(shù)據(jù)集的表現(xiàn)情況,總結(jié)相關(guān)規(guī)律。本文基于LSTM神經(jīng)網(wǎng)絡(luò)選擇單步預(yù)測(cè)的網(wǎng)絡(luò)結(jié)構(gòu)模型應(yīng)用于個(gè)股歷史數(shù)據(jù)的測(cè)試。通過量?jī)r(jià)關(guān)系模型,技術(shù)指標(biāo)模型和結(jié)合PCA模型對(duì)高頻個(gè)股收盤價(jià)進(jìn)行預(yù)測(cè)。... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：79 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

全文技術(shù)路線圖

哈爾濱工業(yè)大學(xué)經(jīng)濟(jì)學(xué)碩士學(xué)位論文11票市場(chǎng)未來趨勢(shì)。金融市場(chǎng)數(shù)據(jù)的統(tǒng)計(jì)性特征如下：（1）數(shù)據(jù)分布尖峰厚尾我國股票市場(chǎng)并非完全有效市場(chǎng)，證券收益率分布并不服從標(biāo)準(zhǔn)的正態(tài)分布，而是呈現(xiàn)出“尖峰厚尾”的特征。在實(shí)證分析過程中，數(shù)據(jù)出現(xiàn)極端值的概率大于假設(shè)其呈現(xiàn)正態(tài)分布的概率。為了便于統(tǒng)計(jì)，通常對(duì)數(shù)據(jù)以正態(tài)分布的假設(shè)來進(jìn)行統(tǒng)計(jì)推斷，往往會(huì)導(dǎo)致誤差的增大。圖2-1根據(jù)上證指數(shù)2009年至2019年十年間股票日間收益率繪制日間收益率概率密度分布圖象，為消除量綱差異，將日收益率的值擴(kuò)大100倍進(jìn)行繪制。根據(jù)圖1可以明顯看出上證指數(shù)十年間樣本日收益率偏度-0.77，峰度5.54，即具有尖峰和左厚尾特征。上證指數(shù)實(shí)際日收益率概率密度大體符合正態(tài)分布，但靠近均值的天數(shù)更多且極端收益率出現(xiàn)的頻率高于正態(tài)分布的預(yù)測(cè)。圖2-1上證指數(shù)日收益率概率密度分布（2）異方差性傳統(tǒng)計(jì)量經(jīng)濟(jì)學(xué)模型假設(shè)時(shí)間序列方差不變，但隨著金融理論的發(fā)展和眾多實(shí)政分析結(jié)果的檢驗(yàn)表明金融時(shí)間序列具有異方差的特點(diǎn)。根據(jù)上證指數(shù)2009年至2019年十年間股票日間收益率繪制日收益率和日收盤指數(shù)的笛卡爾坐標(biāo)，觀察日收盤指數(shù)和日間收益率二者變量之間的相關(guān)性。結(jié)果如圖2-2所示，兩變量之間不存在明顯的線性關(guān)系，分布不在固定的帶形區(qū)域中，存在明顯的散點(diǎn)擴(kuò)大情況，分布情況復(fù)雜。

哈爾濱工業(yè)大學(xué)經(jīng)濟(jì)學(xué)碩士學(xué)位論文12圖2-2上證指數(shù)收益率和收盤指數(shù)分布散點(diǎn)圖（3）波動(dòng)聚集性波動(dòng)聚集性是指金融資產(chǎn)價(jià)格的變化具有高波動(dòng)聚集和低波動(dòng)聚集現(xiàn)象，即金融資產(chǎn)價(jià)格的變化往往大的波動(dòng)后緊跟大的波動(dòng)，小的波動(dòng)后緊跟小的波動(dòng)。波動(dòng)率聚集性是金融資產(chǎn)收益率序列的一個(gè)重要特征，具有正相關(guān)性，即后一期的波動(dòng)率與前一期的波動(dòng)率的相關(guān)性為正[41]。曼德爾布羅特(Mandlebrot，1924—2010)率先提出經(jīng)濟(jì)變量方差在不斷變化，且幅度較大的變化相對(duì)集中在某些時(shí)間段，幅度較小的變化相對(duì)集中在某些時(shí)間段[41]。根據(jù)上證指數(shù)2009年至2019年十年間股票日間收益率繪制日收益率波動(dòng)圖像，如圖2-3。根據(jù)圖3可以看出上證指數(shù)日收益率波動(dòng)具有波動(dòng)聚集性特點(diǎn)。圖2-32009年12月至2019年12月上證指數(shù)日收益率波動(dòng)情況

【參考文獻(xiàn)】：
期刊論文
[1]基于神經(jīng)網(wǎng)絡(luò)的股票預(yù)測(cè)模型[J]. 喬若羽.  運(yùn)籌與管理. 2019(10)
[2]基于深度學(xué)習(xí)LSTM神經(jīng)網(wǎng)絡(luò)的全球股票指數(shù)預(yù)測(cè)研究[J]. 楊青,王晨蔚.  統(tǒng)計(jì)研究. 2019(03)
[3]基于樹結(jié)構(gòu)長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的金融時(shí)間序列預(yù)測(cè)[J]. 姚小強(qiáng),侯志森.  計(jì)算機(jī)應(yīng)用. 2018(11)
[4]有效市場(chǎng)假說綜述[J]. 唐琨.  金融經(jīng)濟(jì). 2018(20)
[5]中國股票市場(chǎng)的波動(dòng)率聚集性研究——基于Markov機(jī)制轉(zhuǎn)換Copula模型的實(shí)證分析[J]. 吳鑫育,李心丹,馬超群.  系統(tǒng)管理學(xué)報(bào). 2018(04)
[6]基于多輸出學(xué)習(xí)的滬深300指數(shù)預(yù)測(cè)研究[J]. 唐艷琴,潘志松,張艷艷.  計(jì)算機(jī)科學(xué). 2017(S2)
[7]基于誤差校正的灰色神經(jīng)網(wǎng)絡(luò)股票收益率預(yù)測(cè)[J]. 于志軍,楊善林,章政,焦健.  中國管理科學(xué). 2015(12)
[8]基于時(shí)間序列頻域分析的期貨市場(chǎng)周期研究[J]. 陸珩瑱,徐立平.  統(tǒng)計(jì)與決策. 2011(06)
[9]計(jì)量經(jīng)濟(jì)學(xué)模型對(duì)數(shù)據(jù)的依賴性[J]. 李子奈.  經(jīng)濟(jì)學(xué)動(dòng)態(tài). 2009(08)
[10]基于人工神經(jīng)網(wǎng)絡(luò)方法的上市公司股價(jià)預(yù)測(cè)[J]. 楊成,程曉玲,殷旅江.  統(tǒng)計(jì)與決策. 2005(24)



本文編號(hào)：2966802