基于LSTM-SVR混合模型的股指期貨價格預測方案
發(fā)布時間：2021-03-23 14:50
股指期貨是以股票指數(shù)為標的物的金融期貨品種,是我國金融市場的重要組成部分,在發(fā)揮著價格發(fā)現(xiàn)、對沖股票風險等作用的同時,也極大豐富了金融投資者的投資渠道,影響了投資者的投資策略,其作為具有獨特功能的交易市場為整個經濟領域提供著無可替代的作用,因而股指期貨價格預測的意義重大�，F(xiàn)有的股指期貨價格預測方法主要有使用傳統(tǒng)計量模型的時間序列分析法、支持向量機回歸模型、神經網絡預測方法等,但時間序列分析法難以刻畫金融市場波動的隨機性和復雜性,對金融時序的預測效果不佳,而支持向量機存在核函數(shù)難以選擇和訓練速度慢、耗時長的缺點,神經網絡存在網絡結構難以確定的缺點,這就使得單一模型可能存在無法完全擬合模型的情況。由此,本文提出了集成支持向量機回歸模型和神經網絡領域的長短時記憶模型的混合模型構建方案,旨在進一步提升股指期貨價格預測的準確性。本文首先分析了中國的三種股指期貨,鑒于中證500股指期貨的投機性、易操縱性,本文選擇了更具市場代表性的滬深300和上證50股指期貨主力合約日數(shù)據(jù)來作為研究對象,同時研究兩只期貨產品避免了模型的偶然性。在指標選取上,將技術指標納入模型的輸入變量,綜合考慮基本行情指標和技術指...
【文章來源】：上海師范大學上海市
【文章頁數(shù)】：82 頁
【學位級別】：碩士
【部分圖文】：
圖4-2支持向量回歸（SVR）示意圖
上海師范大學碩士學位論文第4章基于混合模型的股指期貨價格預測理論框架27絡結構示意圖，其中，A表示RNN的主體結構，"是t時刻的輸入層，"是t時刻的輸出層。在t時刻，主體結構A讀取t時刻的輸入層數(shù)據(jù)"，經過運算學習之后輸出"。圖4-3簡單循環(huán)神經網絡結構示意圖之后我們延伸圖4-3的結構，如圖4-4所示。RNN在每一時刻t都存在輸入層"，和與之相對應的輸出層"，而此時的主體結構A是根據(jù)t1時刻的主體結構A和t時刻的輸入層"共同影響的，由此循環(huán)向后傳遞。簡而言之，循環(huán)神經網絡的“循環(huán)”之意就在于此。圖4-4循環(huán)神經網絡展開結構示意圖4.2.2長短時記憶網絡（LSTM）循環(huán)神經網絡（RNN）的循環(huán)記憶性使之非常適用于處理時序數(shù)據(jù)，但其也存在一定的缺陷，和人的記憶一樣，循環(huán)神經網絡對越近的數(shù)據(jù)記憶最深，對于之前的數(shù)據(jù)會隨著時刻的推移逐漸淡忘，甚至最終完全遺忘，從而影響數(shù)據(jù)處理的精度。為了解決循環(huán)神經網絡的致命缺陷：長程依賴（Long-TermDependencies），Schmidhuber教授在上世紀末提出了長短時記憶網絡（LongShort-TermMemory，LSTM），這是基于循環(huán)神經網絡的一種改良結構，實現(xiàn)了同時記憶長期和短期信息的功能。長短時記憶網絡LSTM是一種改進的循環(huán)神經網絡，它的特殊之處在于通過引入“門（Gates）”結構來實現(xiàn)對信息的長期記憶和有效篩眩
上海師范大學碩士學位論文第4章基于混合模型的股指期貨價格預測理論框架27絡結構示意圖，其中，A表示RNN的主體結構，"是t時刻的輸入層，"是t時刻的輸出層。在t時刻，主體結構A讀取t時刻的輸入層數(shù)據(jù)"，經過運算學習之后輸出"。圖4-3簡單循環(huán)神經網絡結構示意圖之后我們延伸圖4-3的結構，如圖4-4所示。RNN在每一時刻t都存在輸入層"，和與之相對應的輸出層"，而此時的主體結構A是根據(jù)t1時刻的主體結構A和t時刻的輸入層"共同影響的，由此循環(huán)向后傳遞。簡而言之，循環(huán)神經網絡的“循環(huán)”之意就在于此。圖4-4循環(huán)神經網絡展開結構示意圖4.2.2長短時記憶網絡（LSTM）循環(huán)神經網絡（RNN）的循環(huán)記憶性使之非常適用于處理時序數(shù)據(jù)，但其也存在一定的缺陷，和人的記憶一樣，循環(huán)神經網絡對越近的數(shù)據(jù)記憶最深，對于之前的數(shù)據(jù)會隨著時刻的推移逐漸淡忘，甚至最終完全遺忘，從而影響數(shù)據(jù)處理的精度。為了解決循環(huán)神經網絡的致命缺陷：長程依賴（Long-TermDependencies），Schmidhuber教授在上世紀末提出了長短時記憶網絡（LongShort-TermMemory，LSTM），這是基于循環(huán)神經網絡的一種改良結構，實現(xiàn)了同時記憶長期和短期信息的功能。長短時記憶網絡LSTM是一種改進的循環(huán)神經網絡，它的特殊之處在于通過引入“門（Gates）”結構來實現(xiàn)對信息的長期記憶和有效篩眩
【參考文獻】：
期刊論文
[1]基于LSTM神經網絡的滬深300指數(shù)預測模型研究[J]. 馮宇旭,李裕梅. 數(shù)學的實踐與認識. 2019(07)
[2]基于深度學習LSTM神經網絡的全球股票指數(shù)預測研究[J]. 楊青,王晨蔚. 統(tǒng)計研究. 2019(03)
[3]基于循環(huán)神經網絡的股指價格預測研究[J]. 王理同,薛騰騰,王惠敏,劉震. 浙江工業(yè)大學學報. 2019(02)
[4]基于LSTM的股票價格預測建模與分析[J]. 彭燕,劉宇紅,張榮芬. 計算機工程與應用. 2019(11)
[5]金融時間序列組合預測模型與方法[J]. 吳曉峰,陳垚彤,趙桂彩. 中國市場. 2019(09)
[6]基于神經網絡集成學習股票預測模型的研究[J]. 謝琪,程耕國,徐旭. 計算機工程與應用. 2019(08)
[7]基于GRA-CS-BP算法的期貨價格預測[J]. 王海軍,金濤,林志偉. 數(shù)學的實踐與認識. 2018(24)
[8]基于GM-RBF神經網絡的股票價格預測分析[J]. 劉述忠. 計算機與現(xiàn)代化. 2018(08)
[9]基于特征選取與LSTM模型的股指預測方法研究[J]. 陳佳,劉冬雪,武大碩. 計算機工程與應用. 2019(06)
[10]基于LSTM-Adaboost模型的商品期貨投資策略研究[J]. 邸浩,趙學軍,張自力. 南方金融. 2018(08)
博士論文
[1]組合預測方法及其應用研究[D]. 馬濤.蘭州大學 2017
碩士論文
[1]滬深300股指期貨價格預測研究[D]. 吳迪.沈陽工業(yè)大學 2018
[2]基于神經網絡的股指期貨價格預測研究與應用[D]. 胡文鵬.湖南大學 2018
[3]基于多預測模型的中國—東盟進出口貿易額研究[D]. 鄧洋洋.廈門大學 2018
[4]基于LSTM和灰色模型集成的短期交通流預測[D]. 談苗苗.南京郵電大學 2017
[5]基于混合模型的股票趨勢預測方法研究[D]. 吳少聰.哈爾濱工業(yè)大學 2017
[6]滬深300股指期貨價格預測的實證研究[D]. 陳倩文.東北財經大學 2016
[7]神經網絡和深度學習在量化投資中的應用[D]. 白凱敏.山東大學 2016
[8]基于深度學習之股指期貨交易[D]. 楊杰群.中國科學技術大學 2015
[9]神經網絡在股指期貨中的應用[D]. 徐鵬.對外經濟貿易大學 2007
本文編號：3095986
【文章來源】：上海師范大學上海市
【文章頁數(shù)】：82 頁
【學位級別】：碩士
【部分圖文】：
圖4-2支持向量回歸（SVR）示意圖
上海師范大學碩士學位論文第4章基于混合模型的股指期貨價格預測理論框架27絡結構示意圖，其中，A表示RNN的主體結構，"是t時刻的輸入層，"是t時刻的輸出層。在t時刻，主體結構A讀取t時刻的輸入層數(shù)據(jù)"，經過運算學習之后輸出"。圖4-3簡單循環(huán)神經網絡結構示意圖之后我們延伸圖4-3的結構，如圖4-4所示。RNN在每一時刻t都存在輸入層"，和與之相對應的輸出層"，而此時的主體結構A是根據(jù)t1時刻的主體結構A和t時刻的輸入層"共同影響的，由此循環(huán)向后傳遞。簡而言之，循環(huán)神經網絡的“循環(huán)”之意就在于此。圖4-4循環(huán)神經網絡展開結構示意圖4.2.2長短時記憶網絡（LSTM）循環(huán)神經網絡（RNN）的循環(huán)記憶性使之非常適用于處理時序數(shù)據(jù)，但其也存在一定的缺陷，和人的記憶一樣，循環(huán)神經網絡對越近的數(shù)據(jù)記憶最深，對于之前的數(shù)據(jù)會隨著時刻的推移逐漸淡忘，甚至最終完全遺忘，從而影響數(shù)據(jù)處理的精度。為了解決循環(huán)神經網絡的致命缺陷：長程依賴（Long-TermDependencies），Schmidhuber教授在上世紀末提出了長短時記憶網絡（LongShort-TermMemory，LSTM），這是基于循環(huán)神經網絡的一種改良結構，實現(xiàn)了同時記憶長期和短期信息的功能。長短時記憶網絡LSTM是一種改進的循環(huán)神經網絡，它的特殊之處在于通過引入“門（Gates）”結構來實現(xiàn)對信息的長期記憶和有效篩眩
上海師范大學碩士學位論文第4章基于混合模型的股指期貨價格預測理論框架27絡結構示意圖，其中，A表示RNN的主體結構，"是t時刻的輸入層，"是t時刻的輸出層。在t時刻，主體結構A讀取t時刻的輸入層數(shù)據(jù)"，經過運算學習之后輸出"。圖4-3簡單循環(huán)神經網絡結構示意圖之后我們延伸圖4-3的結構，如圖4-4所示。RNN在每一時刻t都存在輸入層"，和與之相對應的輸出層"，而此時的主體結構A是根據(jù)t1時刻的主體結構A和t時刻的輸入層"共同影響的，由此循環(huán)向后傳遞。簡而言之，循環(huán)神經網絡的“循環(huán)”之意就在于此。圖4-4循環(huán)神經網絡展開結構示意圖4.2.2長短時記憶網絡（LSTM）循環(huán)神經網絡（RNN）的循環(huán)記憶性使之非常適用于處理時序數(shù)據(jù)，但其也存在一定的缺陷，和人的記憶一樣，循環(huán)神經網絡對越近的數(shù)據(jù)記憶最深，對于之前的數(shù)據(jù)會隨著時刻的推移逐漸淡忘，甚至最終完全遺忘，從而影響數(shù)據(jù)處理的精度。為了解決循環(huán)神經網絡的致命缺陷：長程依賴（Long-TermDependencies），Schmidhuber教授在上世紀末提出了長短時記憶網絡（LongShort-TermMemory，LSTM），這是基于循環(huán)神經網絡的一種改良結構，實現(xiàn)了同時記憶長期和短期信息的功能。長短時記憶網絡LSTM是一種改進的循環(huán)神經網絡，它的特殊之處在于通過引入“門（Gates）”結構來實現(xiàn)對信息的長期記憶和有效篩眩
【參考文獻】：
期刊論文
[1]基于LSTM神經網絡的滬深300指數(shù)預測模型研究[J]. 馮宇旭,李裕梅. 數(shù)學的實踐與認識. 2019(07)
[2]基于深度學習LSTM神經網絡的全球股票指數(shù)預測研究[J]. 楊青,王晨蔚. 統(tǒng)計研究. 2019(03)
[3]基于循環(huán)神經網絡的股指價格預測研究[J]. 王理同,薛騰騰,王惠敏,劉震. 浙江工業(yè)大學學報. 2019(02)
[4]基于LSTM的股票價格預測建模與分析[J]. 彭燕,劉宇紅,張榮芬. 計算機工程與應用. 2019(11)
[5]金融時間序列組合預測模型與方法[J]. 吳曉峰,陳垚彤,趙桂彩. 中國市場. 2019(09)
[6]基于神經網絡集成學習股票預測模型的研究[J]. 謝琪,程耕國,徐旭. 計算機工程與應用. 2019(08)
[7]基于GRA-CS-BP算法的期貨價格預測[J]. 王海軍,金濤,林志偉. 數(shù)學的實踐與認識. 2018(24)
[8]基于GM-RBF神經網絡的股票價格預測分析[J]. 劉述忠. 計算機與現(xiàn)代化. 2018(08)
[9]基于特征選取與LSTM模型的股指預測方法研究[J]. 陳佳,劉冬雪,武大碩. 計算機工程與應用. 2019(06)
[10]基于LSTM-Adaboost模型的商品期貨投資策略研究[J]. 邸浩,趙學軍,張自力. 南方金融. 2018(08)
博士論文
[1]組合預測方法及其應用研究[D]. 馬濤.蘭州大學 2017
碩士論文
[1]滬深300股指期貨價格預測研究[D]. 吳迪.沈陽工業(yè)大學 2018
[2]基于神經網絡的股指期貨價格預測研究與應用[D]. 胡文鵬.湖南大學 2018
[3]基于多預測模型的中國—東盟進出口貿易額研究[D]. 鄧洋洋.廈門大學 2018
[4]基于LSTM和灰色模型集成的短期交通流預測[D]. 談苗苗.南京郵電大學 2017
[5]基于混合模型的股票趨勢預測方法研究[D]. 吳少聰.哈爾濱工業(yè)大學 2017
[6]滬深300股指期貨價格預測的實證研究[D]. 陳倩文.東北財經大學 2016
[7]神經網絡和深度學習在量化投資中的應用[D]. 白凱敏.山東大學 2016
[8]基于深度學習之股指期貨交易[D]. 楊杰群.中國科學技術大學 2015
[9]神經網絡在股指期貨中的應用[D]. 徐鵬.對外經濟貿易大學 2007
本文編號：3095986
本文鏈接：http://sikaile.net/guanlilunwen/huobilw/3095986.html
