股票價(jià)格指數(shù)的有效預(yù)測有助于探索股票價(jià)格的內(nèi)在規(guī)律,從而及時(shí)規(guī)避金融風(fēng)險(xiǎn),提高股票市場的穩(wěn)健性。所以研究高效的股票價(jià)格指數(shù)預(yù)測模型具有理論與現(xiàn)實(shí)的重要意義。人工神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的自學(xué)習(xí)、自適應(yīng)特點(diǎn),其預(yù)測效果比傳統(tǒng)時(shí)間序列模型更好。隨著人工神經(jīng)網(wǎng)絡(luò)的快速發(fā)展,深度神經(jīng)網(wǎng)絡(luò)算法也不斷應(yīng)用于股票市場研究。深度遞增遞減線性神經(jīng)網(wǎng)絡(luò)（DIDLP）作為一種深度神經(jīng)網(wǎng)絡(luò),它是由線性算子和非線性算子構(gòu)成的,可以有效提取股票時(shí)間序列數(shù)據(jù)中線性與非線性特征。目前的研究表明,DIDLP模型能夠有效改善股票時(shí)間序列預(yù)測中一階時(shí)滯的問題。因此,論文引入DIDLP神經(jīng)網(wǎng)絡(luò)研究股票指數(shù)預(yù)測問題。本論文首先總結(jié)了金融時(shí)間序列預(yù)測的研究方法,介紹了傳統(tǒng)時(shí)間序列模型和人工神經(jīng)網(wǎng)絡(luò)模型,重點(diǎn)介紹了深度遞增遞減線性神經(jīng)網(wǎng)絡(luò)的基本原理。然后根據(jù)預(yù)分析的結(jié)果優(yōu)化DIDLP神經(jīng)網(wǎng)絡(luò),建立了加入正則項(xiàng)的DIDLP神經(jīng)網(wǎng)絡(luò)模型。最后將模型應(yīng)用于股票價(jià)格指數(shù)序列的預(yù)測中。主要研究工作如下:（1）為了掌握股票價(jià)格指數(shù)的特點(diǎn),使用BDS、Hurst指數(shù)、離散導(dǎo)數(shù)等方法對股指序列進(jìn)行統(tǒng)計(jì)分析。分析發(fā)現(xiàn)滬深300指數(shù)的Hurst指數(shù)為0.6。... 

【文章來源】：重慶工商大學(xué)重慶市

【文章頁數(shù)】：75 頁

【學(xué)位級別】：碩士

【部分圖文】：

滬深300指數(shù)趨勢圖

重慶工商大學(xué)碩士學(xué)位論文183.1.2自相關(guān)性我們對所選的滬深300指數(shù)進(jìn)行自相關(guān)檢驗(yàn)，結(jié)果如圖3.2所示：圖3.2時(shí)間序列自相關(guān)圖從圖3.2我們可以看到滬深300指數(shù)自相關(guān)圖中的曲線呈遞減趨勢，這說明短期內(nèi)股指是線性相關(guān)的，從長期來看股指序列的線性相關(guān)性不斷衰減，但是自相關(guān)函數(shù)不能檢驗(yàn)時(shí)間序列的非線性。所以我們進(jìn)一步使用BDS檢驗(yàn)判斷時(shí)間序列的非線性特征。3.1.3BDS檢驗(yàn)在研究金融市場的有效性時(shí)，首先就是要檢驗(yàn)有價(jià)證券收益率波動是否為隨機(jī)游走。最初對金融市場的有效性進(jìn)行研究時(shí)，主要運(yùn)用線性理論和非參數(shù)過程進(jìn)行分析。但是針對混沌或分形系統(tǒng)進(jìn)行檢驗(yàn)時(shí)發(fā)現(xiàn)，用傳統(tǒng)的線性理論和方法無法對描述非線性特征的相關(guān)參數(shù)做出測度。1987年Broock和Dechert提出了BDS檢驗(yàn)研究非線性統(tǒng)計(jì)理論，該檢驗(yàn)是基于關(guān)聯(lián)積分建立的統(tǒng)計(jì)量，主要用于檢驗(yàn)時(shí)間序列是否服從獨(dú)立同分布，從而判別時(shí)間序列的非線性特征。[34]BDS檢驗(yàn)的原假設(shè)0H為BDS(m,)統(tǒng)計(jì)量近似于標(biāo)準(zhǔn)狀態(tài)分布，即原序列服從獨(dú)立同分布；BDS檢驗(yàn)的備擇假設(shè)1H為BDS(m,)統(tǒng)計(jì)量遠(yuǎn)離零點(diǎn)，此時(shí)原序列不服從獨(dú)立同分布，具有非線性關(guān)系。在使用BDS進(jìn)行檢驗(yàn)之前需要通過AR等線性模型消除原始時(shí)間序列的線性關(guān)系,然后再進(jìn)行BDS檢驗(yàn)。其中，序列標(biāo)準(zhǔn)差和嵌入維數(shù)m的取值要合理，若序列標(biāo)準(zhǔn)差取值過大，檢驗(yàn)結(jié)果會高估時(shí)間序列的非線性程度；若序列標(biāo)準(zhǔn)差取值過小，則檢驗(yàn)結(jié)果更容易接受原假設(shè)，認(rèn)為原序列服從獨(dú)立同分布。

第3章股票指數(shù)序列的預(yù)分析21圖3.3Hurst指數(shù)圖如圖3.3所示，滬深300指數(shù)的Hurst指數(shù)值為0.6大于臨界值0.5。結(jié)果表明，滬深300指數(shù)的歷史收盤價(jià)與當(dāng)前價(jià)格存在一定的自相關(guān)性，時(shí)間序列存在一種長記憶趨勢或者說正相關(guān)的特征，未來股價(jià)的趨勢大概率與歷史股價(jià)趨勢保持一致，二者在整體趨勢上呈現(xiàn)正相關(guān)關(guān)系,與有效市場假說中的隨機(jī)游走假設(shè)相矛盾。若股指時(shí)間序列上期趨勢是向上，那么下期很可能繼續(xù)延續(xù)向上的趨勢；若股指時(shí)間序列上期趨勢是向下，那么下期很可能延續(xù)向下的趨勢。這表明滬深300指數(shù)是可以預(yù)測的，但是預(yù)測滬深300股指是非常困難的。因?yàn)镠urst指數(shù)越大，股票價(jià)格序列的趨勢性越強(qiáng)、可預(yù)測性越高，而滬深300指數(shù)的Hurst指數(shù)值為0.6與臨界值0.5較為接近，說明滬深300指數(shù)的可預(yù)測程度不高。所以在實(shí)際預(yù)測中，想要準(zhǔn)確預(yù)測股票價(jià)格指數(shù)是非常困難的，預(yù)測結(jié)果通常存在一階時(shí)滯的問題。3.3非線性結(jié)構(gòu)分析3.3.1滯后性為了更加客觀的分析滬深300指數(shù)中時(shí)滯的影響，我們利用低階滯后圖和高階滯后圖進(jìn)行分析，對于低階時(shí)滯，我們選擇滯后一階，而對于高階時(shí)滯，我們選擇了Hurst指數(shù)值最大時(shí)的滯后95階。

【參考文獻(xiàn)】：
期刊論文
[1]分布式深度學(xué)習(xí)框架下基于性能感知的DBS-SGD算法[J]. 紀(jì)澤宇,張興軍,付哲,高柏松,李靖波.  計(jì)算機(jī)研究與發(fā)展. 2019(11)
[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)測研究[J]. 楊青,王晨蔚.  統(tǒng)計(jì)研究. 2019(03)
[3]SDAE-LSTM模型在金融時(shí)間序列預(yù)測中的應(yīng)用[J]. 黃婷婷,余磊.  計(jì)算機(jī)工程與應(yīng)用. 2019(01)
[4]基于深度強(qiáng)化學(xué)習(xí)DDPG算法的投資組合管理[J]. 齊岳,黃碩華.  計(jì)算機(jī)與現(xiàn)代化. 2018(05)
[5]我國股票市場流動性的非線性動力學(xué)特征研究:基于分形理論的檢驗(yàn)[J]. 尹海員,華亦樸.  管理評論. 2017(08)
[6]深度學(xué)習(xí)的金融實(shí)證應(yīng)用:動態(tài)、貢獻(xiàn)與展望[J]. 蘇治,盧曼,李德軒.  金融研究. 2017(05)
[7]基于DBN的金融時(shí)序數(shù)據(jù)建模與決策[J]. 曾志平,蕭海東,張新鵬.  計(jì)算機(jī)技術(shù)與發(fā)展. 2017(04)
[8]基于EGARCH-M模型和滬深300指數(shù)的股市風(fēng)險(xiǎn)分析[J]. 陳麗娟.  東北財(cái)經(jīng)大學(xué)學(xué)報(bào). 2010(02)
[9]收益分布尖峰厚尾問題的統(tǒng)計(jì)檢驗(yàn)[J]. 邊寬江,程波,王蕾蕾.  統(tǒng)計(jì)與決策. 2009(07)

博士論文
[1]一種金融市場預(yù)測的深度學(xué)習(xí)模型：FEPA模型[D]. 張承釗.電子科技大學(xué) 2016



本文編號：3227425