處于經(jīng)濟(jì)信息中心位置的股票市場(chǎng),經(jīng)過一系列的交易,匯集了眾多領(lǐng)域的商業(yè)信息,對(duì)股票的未來狀況進(jìn)行預(yù)測(cè)一直是股市參與者關(guān)注的熱點(diǎn)。在股票的眾多指標(biāo)中,價(jià)格是最直接的指標(biāo)之一。對(duì)股票價(jià)格進(jìn)行預(yù)測(cè)對(duì)股市參與者有重要意義,一方面它能使投資者合理配置資源進(jìn)行理性投資,另一方面它能促進(jìn)股票價(jià)格合理波動(dòng),發(fā)揮經(jīng)濟(jì)晴雨表功能。但股票市場(chǎng)受諸多因素的影響,價(jià)格數(shù)據(jù)展現(xiàn)出非平穩(wěn)、非線性、高度嘈雜等特征,如何合理運(yùn)用這些特征找到合適方法進(jìn)行預(yù)測(cè)始終是一個(gè)值得不斷探索研究的問題。本文以滬深300指數(shù)日收盤價(jià)數(shù)據(jù)為研究對(duì)象,采用三種方式對(duì)其建模預(yù)測(cè)。一、對(duì)非平穩(wěn)的收盤價(jià)數(shù)據(jù)建立ARIMA模型。收盤價(jià)經(jīng)過一階差分之后變?yōu)槠椒�(wěn)時(shí)間序列,因此可以建立ARIMA模型進(jìn)行預(yù)測(cè)。二、對(duì)非平穩(wěn)的收盤價(jià)數(shù)據(jù)建立LSTM模型。不再關(guān)注收盤價(jià)數(shù)據(jù)是否平穩(wěn),選用對(duì)數(shù)據(jù)無要求的神經(jīng)網(wǎng)絡(luò)模型——長短時(shí)記憶網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)。由于所研究對(duì)象為一維數(shù)據(jù),因此預(yù)測(cè)窗口長度的選取由收盤價(jià)的自相關(guān)系數(shù)決定。三、對(duì)收盤價(jià)數(shù)據(jù)進(jìn)行分解,建立LSTM-ARM4A模型。采用奇異譜分析將收盤價(jià)分解為相互獨(dú)立的趨勢(shì)項(xiàng)和波動(dòng)項(xiàng),趨勢(shì)項(xiàng)非平穩(wěn),對(duì)其建立LSTM模型,波... 

【文章來源】：山東大學(xué)山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：69 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖３．２．１－１循環(huán)神經(jīng)網(wǎng)絡(luò)典型結(jié)構(gòu)示意圖??

?山東大學(xué)碩士學(xué)位論文???看做是循環(huán)神經(jīng)網(wǎng)絡(luò)的一個(gè)隱藏單元。??在／時(shí)刻，輸入層的輸入信息尤被循環(huán)體Ａ讀取，經(jīng)過一系列處理，在輸出層??輸出一個(gè)值／７，，同時(shí)Ａ的狀態(tài)值會(huì)從當(dāng)前時(shí)刻傳遞到下一時(shí)刻。也就是說，Ａ的輸??入除了來自輸入層的輸入數(shù)據(jù)，還有來自上一時(shí)刻Ａ的輸出。理論上講，一個(gè)完整??的循環(huán)神經(jīng)網(wǎng)絡(luò)可以看做是同一個(gè)網(wǎng)絡(luò)結(jié)構(gòu)被無限運(yùn)行的結(jié)果。圖３．２．１－２展示了將??圖３．２．１－１按時(shí)間先后展開的樣子。??？?？?？?？?？??Ａ?Ａ?丄?４．??＾?Ａ?＝?Ａ?￣？?Ａ?—？；?Ａ?＇?Ａ??ｄ）?ｄ）?ｄ）?…?（｜）??圖３．２．１－２循環(huán)神經(jīng)網(wǎng)絡(luò)按時(shí)間先后展開圖??３．２．２長短時(shí)記憶網(wǎng)絡(luò)簡介??盡管ＲＮＮ可以利用歷史的信息來輔助當(dāng)前的決策，但是＿的決策結(jié)果主要??還是依賴于最后一段時(shí)間內(nèi)輸入的信息，即對(duì)最后輸入的一些信號(hào)記憶更深，更早??之前的信號(hào)會(huì)隨著時(shí)間的推遲而變得強(qiáng)度越來越低、輔助的作用越來越弱。＿的??這種特性，引起了人們對(duì)長期依賴（Ｌｏｎｇ－Ｔｅｒｍ?Ｄｅｐｅｎｄｅｎｃｉｅｓ）問題的關(guān)注。長短時(shí)??記憶網(wǎng)絡(luò)（Ｌｏｎｇ?Ｓｈｏｒｔ?Ｔｅｒｍ?Ｍｅｍｏｒｙ，ＬＳＴＭ）的出現(xiàn)，為長期依賴問題提供了解決??辦法。??ＬＳＴＭ?結(jié)構(gòu)由?Ｓｅｐｐ?Ｈｃｃｈｒｅｉｔｅｒ?和?Ｊｕｒｇｅｎ?Ｓｃｈｍｉｄｈｕｂｅｒ?于?１９９７?年提出，與普通的??ＲＮＮ相比，ＬＳＴＭ能夠在數(shù)據(jù)量更大的序列中訓(xùn)練出更適宜的模型。??ＬＳＴＭ可以被歸為門控ＲＮＮ類中，在一個(gè)整體的循環(huán)神經(jīng)網(wǎng)絡(luò)中，除了外部??的ＲＮＮ大循環(huán)（循環(huán)體是ＬＳＴＭ）外，還需要考慮ＬＳＴＭ本身單元“細(xì)胞”之間??的自循環(huán)，這個(gè)自

圖３．２．２－１在ＲＮＮ中使用ＬＳＴＭ作為循環(huán)體??

【參考文獻(xiàn)】：
期刊論文
[1]基于奇異譜對(duì)氣象站點(diǎn)信號(hào)的自適應(yīng)分析及短期預(yù)報(bào)[J]. 姜君.  工業(yè)控制計(jì)算機(jī). 2019(08)
[2]基于奇異譜分析的短期電價(jià)預(yù)測(cè)[J]. 殷豪,曾云,孟安波,劉哲.  電力系統(tǒng)保護(hù)與控制. 2019(01)
[3]LSTM神經(jīng)網(wǎng)絡(luò)在股票價(jià)格趨勢(shì)預(yù)測(cè)中的應(yīng)用——基于美港股票市場(chǎng)個(gè)股數(shù)據(jù)的研究[J]. 鄧鳳欣,王洪良.  金融經(jīng)濟(jì). 2018(14)
[4]一種基于時(shí)間序列分解的數(shù)據(jù)竊密事件檢測(cè)方法研究[J]. 安冉,朱小波,嚴(yán)寒冰.  信息網(wǎng)絡(luò)安全. 2017(08)
[5]基于ARIMA模型的短期股票價(jià)格預(yù)測(cè)[J]. 吳玉霞,溫欣.  統(tǒng)計(jì)與決策. 2016(23)
[6]一種時(shí)間序列分解的衛(wèi)星周期性參數(shù)預(yù)測(cè)方法[J]. 周楓,皮德常.  計(jì)算機(jī)科學(xué). 2016(02)
[7]ARIMA和RBF神經(jīng)網(wǎng)絡(luò)相融合的股票價(jià)格預(yù)測(cè)研究[J]. 俞國紅,楊德志,叢佩麗.  計(jì)算機(jī)工程與應(yīng)用. 2013(18)
[8]ARIMA模型在農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)中的應(yīng)用[J]. 劉峰,王儒敬,李傳席.  計(jì)算機(jī)工程與應(yīng)用. 2009(25)
[9]ARIMA模型在深圳GDP預(yù)測(cè)中的應(yīng)用[J]. 龔國勇.  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2008(04)
[10]ARIMA模型在傳染病發(fā)病率預(yù)測(cè)中的應(yīng)用[J]. 吳家兵,葉臨湘,尤爾科.  數(shù)理醫(yī)藥學(xué)雜志. 2007(01)

博士論文
[1]金融時(shí)間序列的長記憶特性及預(yù)測(cè)研究[D]. 王文靜.天津大學(xué) 2009

碩士論文
[1]基于EEMDLSTM模型的滬深300指數(shù)預(yù)測(cè)研究[D]. 李晨亮.北京交通大學(xué) 2019
[2]基于奇異譜分析的ARMA-SVR模型在股指預(yù)測(cè)中的應(yīng)用[D]. 袁金銘.山東大學(xué) 2019
[3]RNN神經(jīng)網(wǎng)絡(luò)在股票指數(shù)價(jià)格預(yù)測(cè)模型的研究與應(yīng)用[D]. 柏萬寬.重慶大學(xué) 2018
[4]中國股票市場(chǎng)的長期記憶性與趨勢(shì)預(yù)測(cè)研究[D]. 張欠.暨南大學(xué) 2017
[5]基于LSTM神經(jīng)網(wǎng)絡(luò)的美股股指價(jià)格趨勢(shì)預(yù)測(cè)模型的研究[D]. 孫瑞奇.首都經(jīng)濟(jì)貿(mào)易大學(xué) 2016



本文編號(hào)：3362554