股票市場這類金融市場自誕生以來,各類數(shù)據(jù)模型以及機器學(xué)習(xí)、數(shù)據(jù)挖掘等方法都被投資者用于預(yù)測股價的未來走勢,并獲得豐厚的回報。股票市場作為一個公認(rèn)的復(fù)雜動力系統(tǒng),影響因素眾多,具有非平穩(wěn)性、非線性、高噪聲、長記憶性等性質(zhì),很難簡單通過數(shù)學(xué)模型對其進行解釋,因此股票市場的分析與預(yù)測一直以來都是一個極具挑戰(zhàn)的工作。隨著深度學(xué)習(xí)方法在各行各業(yè)中取得了突破性的進展,金融研究者們開始將其應(yīng)用于金融時間序列的預(yù)測研究。本文以深度學(xué)習(xí)方法為基礎(chǔ),研究了金融時間序列預(yù)測相關(guān)的問題,并以滬深300指數(shù)為預(yù)測對象,將2009-2019年滬深300指數(shù)相關(guān)數(shù)據(jù)作為研究樣本,對下一日收盤價進行預(yù)測,設(shè)計了一個以長短期記憶深度學(xué)習(xí)網(wǎng)絡(luò)(LSTM)模塊為基礎(chǔ)的金融時間序列預(yù)測模型。該模型結(jié)合了小波去噪模塊、堆疊自編碼器模塊(SAE)和長短期記憶網(wǎng)絡(luò)模塊(LSTM)3個模塊,進而對金融市場股價指數(shù)時間序列進行分析預(yù)測。本文選取了開盤價、收盤價等基本行情數(shù)據(jù)(OHLC)、MACD、ROC等技術(shù)指標(biāo)以及SHIBOR等宏觀經(jīng)濟指標(biāo),共21個指標(biāo)作為模型的輸入數(shù)據(jù)。首先,在小波降噪模塊,本文選取了Sym6小波和SureShr...

【文章頁數(shù)】：59 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景與意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國內(nèi)外研究綜述
        1.2.1 小波分析在金融時間序列分析上的應(yīng)用
        1.2.2 神經(jīng)網(wǎng)絡(luò)在金融時間序列分析上的應(yīng)用
        1.2.3 深度學(xué)習(xí)網(wǎng)絡(luò)在金融時間序列分析上的應(yīng)用
    1.3 研究內(nèi)容與結(jié)構(gòu)安排
    1.4 研究創(chuàng)新
第2章 相關(guān)基礎(chǔ)理論與模型介紹
    2.1 股指分析預(yù)測理論
        2.1.1 股指價格影響因素
        2.1.2 股指價格預(yù)測難點
        2.1.3 常用方法
    2.2 小波分析相關(guān)理論
        2.2.1 小波分析概念
        2.2.2 多分辨分析與Mallat算法
    2.3 堆疊自編碼器相關(guān)理論
        2.3.1 自編碼器
        2.3.2 堆疊自編碼器
    2.4 長短期記憶神經(jīng)網(wǎng)絡(luò)相關(guān)理論
        2.4.1 循環(huán)神經(jīng)網(wǎng)絡(luò)
        2.4.2 長短期記憶神經(jīng)網(wǎng)絡(luò)
第3章 股指價格預(yù)測模型的構(gòu)建
    3.1 模型設(shè)計框架
    3.2 輸入數(shù)據(jù)選擇
    3.3 小波去噪模塊
        3.3.1 小波去噪的原理
        3.3.2 小波基函數(shù)的選擇
        3.3.3 閾值的確定
    3.4 數(shù)據(jù)歸一化處理方法
    3.5 深度學(xué)習(xí)網(wǎng)絡(luò)預(yù)測模型結(jié)構(gòu)與參數(shù)選擇
        3.5.1 激活函數(shù)
        3.5.2 優(yōu)化器方法(Optimizer):
        3.5.3 防止模型過擬合的方法
        3.5.4 模型參數(shù)的優(yōu)化選擇方法
    3.6 評價指標(biāo)選取
    3.7 算法實現(xiàn)工具
    3.8 本章小結(jié)
第4章 基于長短期記憶深度學(xué)習(xí)網(wǎng)絡(luò)的股指價格預(yù)測分析
    4.1 輸入數(shù)據(jù)
    4.2 小波去噪的小波基函數(shù)與閾值函數(shù)
    4.3 模型訓(xùn)練方法
    4.4 堆疊自編碼器結(jié)構(gòu)與參數(shù)
    4.5 長短期記憶神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)
    4.6 滬深300指數(shù)預(yù)測結(jié)果分析
    4.7 滬深300指數(shù)模型預(yù)測精度分析
    4.8 滬深300指數(shù)模型盈利能力分析
    4.9 本章小結(jié)
第5章 結(jié)論與展望
    5.1 研究結(jié)論
    5.2 研究展望
參考文獻(xiàn)
致謝
個人簡歷、在學(xué)期間發(fā)表的學(xué)術(shù)論文與研究成果



本文編號：3875231