在金融市場,股票預測一直是投資者和學術界的熱門研究話題之一。隨著經濟全球化和股票市場的不斷成熟,發(fā)展出了多種股票投資方式。近年來機器學習在多個研究領域取得了顯著的成果,其中在股票預測方向除了傳統(tǒng)的預測方法外,研究人員提出許多新的方法,并對已有的方法不斷進行改進。例如利用深度學習預測股票中使用深度卷積網絡、深度Q網絡以及基于LSTM(長短期記憶網絡)的深度循環(huán)神經網絡預測股票。還有基于SVR(支持向量回歸)的混合模型預測股價,將SVR和進化算法、SOM(自組織映射網絡)、主成分分析等方法結合得到混合模型預測股票。另外還有研究人員通過挖掘社交媒體和新聞中投資人情感來進行股票預測。已有的基于SVR混合模型中,大多是針對單一特征建立模型進行預測。本文在基于已有的基于SVR混合模型的基礎上,嘗試了一種新的組合方式,對輸入數據在多個方面進行了噪聲抑制。針對SVR模型的特點對輸入數據進行了變換,使用差分數據替代了原始輸入,同時也突出了股價變化趨勢。針對股票中混合著各種線性和非線性因素,引入小波變換來分離出股票中的主要成分和細節(jié)成分。針對股票數據單個數據點可能因為突發(fā)因素而存在明顯噪聲,使用了多尺度滑...

【文章頁數】：67 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題的背景和意義
    1.2 當前研究現狀
    1.3 本文主要的研究內容
    1.4 本章小結
第2章 股票預測相關理論和技術
    2.1 小波變換方法
    2.2 SVR方法
第3章 單一特征預測股票價格
    3.1 引言
    3.2 模型算法總體流程
    3.3 模型算法詳述
        3.3.1 差分處理
        3.3.2 小波變換
        3.3.3 多尺度窗口滑動平均
        3.3.4 SVR參數選擇
    3.4 與以往模型的差異
    3.5 實驗過程
        3.5.0 數據獲取
        3.5.1 特征選擇
        3.5.2 數據預處理
        3.5.3 模型訓練
    3.6 實驗結果和分析
        3.6.1 評價標準
        3.6.2 實驗結果
        3.6.3 結果分析
    3.7 本章小結
第4章 多維特征預測股票價格
    4.1 引言
    4.2 模型算法總體流程
    4.3 模型算法詳述
        4.3.1 差分處理
        4.3.2 歸一化
        4.3.3 小波變換
        4.3.4 單窗口滑動
        4.3.5 SVR參數選擇
    4.4 與單一特征模型的差異
    4.5 實驗過程
        4.5.0 數據獲取
        4.5.1 特征選擇
        4.5.2 數據預處理
        4.5.3 模型訓練
    4.6 實驗結果和分析
        4.6.1 評價標準
        4.6.2 實驗結果
        4.6.3 結果分析
    4.7 與深度學習LSTM神經網絡比較
    4.8 近期中國和美國股票市場預測
    4.9 本章小結
第5章 總結與展望
    5.1 總結
    5.2 展望
參考文獻
深圳大學指導教師對研究生學位論文的學術評語
深圳大學研究生學位（畢業(yè)）論文答辯委員會決議書
致謝
攻讀碩士學位期間的研究成果



本文編號：3794218