隨著金融市場發(fā)展的不斷完善,金融市場時間序列數(shù)據(jù)量日趨龐大,數(shù)據(jù)產(chǎn)生和累積速度快,傳統(tǒng)計量模型不能夠滿足大數(shù)據(jù)對非線性、高噪聲數(shù)據(jù)的處理要求。機器學習方法能充分挖掘數(shù)據(jù)特征,學習歷史數(shù)據(jù)規(guī)律,應用于后續(xù)判斷。基于機器學習方法的神經(jīng)網(wǎng)絡具有處理龐大數(shù)據(jù)集的能力,能夠進行良好的非線性擬合,對金融時間序列處理具有無可比擬的優(yōu)勢。本文通過基于LSTM長短期記憶神經(jīng)網(wǎng)絡對充滿噪聲,非線性變化的動態(tài)金融時間序列進行模型預測,彌補基本分析法主觀評估的不足,為量化交易工作提供參考,為人工智能方法在金融時間序列問題上的應用提供實踐指導性意義。本文基于LSTM神經(jīng)網(wǎng)絡對股票指數(shù)每日數(shù)據(jù)進行回歸預測,選取股票價格樣本類指數(shù)、綜合類指數(shù)和分類指數(shù)三種,建立全序列指數(shù)回歸預測、單步股票指數(shù)回歸預測,多步股票指數(shù)回歸預測三種預測模型。實驗過程包括數(shù)據(jù)預處理、網(wǎng)絡誤差評價指標、網(wǎng)絡模型結構搭建和損失函數(shù)圖像繪制。分析不同預測方法對不同樣本數(shù)據(jù)集的表現(xiàn)情況,總結相關規(guī)律。本文基于LSTM神經(jīng)網(wǎng)絡選擇單步預測的網(wǎng)絡結構模型應用于個股歷史數(shù)據(jù)的測試。通過量價關系模型,技術指標模型和結合PCA模型對高頻個股收盤價進行預測。... 

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

【文章頁數(shù)】：79 頁

【學位級別】：碩士

【部分圖文】：

全文技術路線圖

哈爾濱工業(yè)大學經(jīng)濟學碩士學位論文11票市場未來趨勢。金融市場數(shù)據(jù)的統(tǒng)計性特征如下：（1）數(shù)據(jù)分布尖峰厚尾我國股票市場并非完全有效市場，證券收益率分布并不服從標準的正態(tài)分布，而是呈現(xiàn)出“尖峰厚尾”的特征。在實證分析過程中，數(shù)據(jù)出現(xiàn)極端值的概率大于假設其呈現(xiàn)正態(tài)分布的概率。為了便于統(tǒng)計，通常對數(shù)據(jù)以正態(tài)分布的假設來進行統(tǒng)計推斷，往往會導致誤差的增大。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，將日收益率的值擴大100倍進行繪制。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)分布的預測。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)計量經(jīng)濟學模型假設時間序列方差不變，但隨著金融理論的發(fā)展和眾多實政分析結果的檢驗表明金融時間序列具有異方差的特點。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，觀察日收盤指數(shù)和日間收益率二者變量之間的相關性。結果如圖2-2所示，兩變量之間不存在明顯的線性關系，分布不在固定的帶形區(qū)域中，存在明顯的散點擴大情況，分布情況復雜。

哈爾濱工業(yè)大學經(jīng)濟學碩士學位論文12圖2-2上證指數(shù)收益率和收盤指數(shù)分布散點圖（3）波動聚集性波動聚集性是指金融資產(chǎn)價格的變化具有高波動聚集和低波動聚集現(xiàn)象，即金融資產(chǎn)價格的變化往往大的波動后緊跟大的波動，小的波動后緊跟小的波動。波動率聚集性是金融資產(chǎn)收益率序列的一個重要特征，具有正相關性，即后一期的波動率與前一期的波動率的相關性為正[41]。曼德爾布羅特(Mandlebrot，1924—2010)率先提出經(jīng)濟變量方差在不斷變化，且幅度較大的變化相對集中在某些時間段，幅度較小的變化相對集中在某些時間段[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)日收益率波動具有波動聚集性特點。圖2-32009年12月至2019年12月上證指數(shù)日收益率波動情況

【參考文獻】：
期刊論文
[1]基于神經(jīng)網(wǎng)絡的股票預測模型[J]. 喬若羽.  運籌與管理. 2019(10)
[2]基于深度學習LSTM神經(jīng)網(wǎng)絡的全球股票指數(shù)預測研究[J]. 楊青,王晨蔚.  統(tǒng)計研究. 2019(03)
[3]基于樹結構長短期記憶神經(jīng)網(wǎng)絡的金融時間序列預測[J]. 姚小強,侯志森.  計算機應用. 2018(11)
[4]有效市場假說綜述[J]. 唐琨.  金融經(jīng)濟. 2018(20)
[5]中國股票市場的波動率聚集性研究——基于Markov機制轉換Copula模型的實證分析[J]. 吳鑫育,李心丹,馬超群.  系統(tǒng)管理學報. 2018(04)
[6]基于多輸出學習的滬深300指數(shù)預測研究[J]. 唐艷琴,潘志松,張艷艷.  計算機科學. 2017(S2)
[7]基于誤差校正的灰色神經(jīng)網(wǎng)絡股票收益率預測[J]. 于志軍,楊善林,章政,焦健.  中國管理科學. 2015(12)
[8]基于時間序列頻域分析的期貨市場周期研究[J]. 陸珩瑱,徐立平.  統(tǒng)計與決策. 2011(06)
[9]計量經(jīng)濟學模型對數(shù)據(jù)的依賴性[J]. 李子奈.  經(jīng)濟學動態(tài). 2009(08)
[10]基于人工神經(jīng)網(wǎng)絡方法的上市公司股價預測[J]. 楊成,程曉玲,殷旅江.  統(tǒng)計與決策. 2005(24)



本文編號：2966802