發(fā)布時間：2021-01-19 02:23

　　近年來,深度學習方法在金融領域的廣泛應用極大推動了股票相關預測技術的發(fā)展。股票風險作為衡量股票投資價值的重要因素,其有效預測能夠幫助投資者完善投資風險評估,穩(wěn)定收益。為了進一步提高預測模型對股票風險的敏感性與預測準確性,本文將量化選股策略中的多因子模型思想引入其中,并加入了多種能反映股票風險特征的新因子,同時針對目前研究及應用中存在的問題進行了改進。本文主要內容及貢獻如下:（1）針對傳統(tǒng)預測模型在特征選擇上過分依賴已有結構化數據指標的問題,本文構建出了一套以券商研究報告為主要特征來源的多因子庫。其中券商研究報告作為券商機構針對個股發(fā)布的專業(yè)性分析報告,能夠對投資者行為、股票市場帶來一系列波動和影響。其內容中包含的個股投資推薦等級、盈利預測等非結構化數據都可作為股票風險預測的重要因素。同時,本文還設計實現(xiàn)了一套單因子測試框架,從領域知識出發(fā),完成了對特征因子的測試與篩選。（2）針對一般長短期記憶網絡（Long Short-Term Memory,LSTM）模型處理多因子輸入與長短期歷史信息結合的問題,本文在單層LSTM預測模型中,一方面通過改變其輸入層、隱藏層、輸出層的映射關系,使其適應... 

【文章來源】：浙江大學浙江省 211工程院校 985工程院校 教育部直屬院校

【文章頁數】：94 頁

【學位級別】：碩士

【部分圖文】：

多層感知器結構及前向傳播

, 。 2.4.2 卷積神經網絡 卷積神經網絡（Convolutional Neural Network，CNN）[22]作為多層前饋神經網絡的改良模型，通過局部連通性和參數共享的方式降低了整個模型中的參數，成為了一種頗具吸引力的神經網絡結構，特別是在圖像和語音識別領域得到了廣泛的應用。在單層 CNN 中，每個網絡包括了卷積、非線性變化以及下采樣三個階段，下圖為單層 CNN 特征提取過程示意圖。

值，那么層 i 單元的輸入加權和，， , ( ) = ( )= ( ( ))。 2.4.2 卷積神經網絡 卷積神經網絡（Convolutional Neural Network，CNN）[22]作為多層前饋神經網絡的改良模型，通過局部連通性和參數共享的方式降低了整個模型中的參數，成為了一種頗具吸引力的神經網絡結構，特別是在圖像和語音識別領域得到了廣泛的應用。在單層 CNN 中，每個網絡包括了卷積、非線性變化以及下采樣三個階段，下圖為單層 CNN 特征提取過程示意圖。

【參考文獻】：
期刊論文
[1]時間序列預測模型研究綜述[J]. 張美英,何杰.  數學的實踐與認識. 2011(18)
[2]支持向量機在股票價格預測中的應用[J]. 張玉川,張作泉.  北京交通大學學報. 2007(06)
[3]股票收益隨機波動模型研究[J]. 沈根祥.  中國管理科學. 2003(02)
[4]中國股票市場波動的非線性GARCH預測模型[J]. 魏巍賢,周曉明.  預測. 1999(05)



本文編號：2986146