隨著我國(guó)經(jīng)濟(jì)的飛速發(fā)展及人們投資意識(shí)的增強(qiáng),股票成為日常生活中重要的投資方式之一。然而股票高風(fēng)險(xiǎn)的性質(zhì)會(huì)為投資者帶來(lái)巨大隱患,因此預(yù)測(cè)股票市場(chǎng)走勢(shì)對(duì)于投資者來(lái)說(shuō)具有重要意義。眾所周知,股票是一個(gè)多要素的復(fù)雜系統(tǒng)。在利用技術(shù)方法建立股票預(yù)測(cè)模型時(shí),由于存在輸入數(shù)據(jù)變量較多、數(shù)據(jù)信息有重疊、異常值對(duì)訓(xùn)練影響較大等問(wèn)題,模型訓(xùn)練速度慢且不能很好的學(xué)習(xí)到數(shù)據(jù)中隱含的規(guī)律。而且股票預(yù)測(cè)模型本身還存在著參數(shù)難以確定、在股票預(yù)測(cè)領(lǐng)域?qū)Ｓ眯缘偷葐?wèn)題,這些經(jīng)常導(dǎo)致訓(xùn)練的股票預(yù)測(cè)模型泛化性差,預(yù)測(cè)效果欠佳。針對(duì)上述問(wèn)題,本文提出選用z-score標(biāo)準(zhǔn)化方法對(duì)基礎(chǔ)數(shù)據(jù)進(jìn)行處理,消除股票數(shù)據(jù)中數(shù)值大、量綱不同、異常值等問(wèn)題對(duì)訓(xùn)練的影響。利用主成分分析法將基礎(chǔ)數(shù)據(jù)降維,在保留原有信息的同時(shí)降低數(shù)據(jù)維度并消除各項(xiàng)指標(biāo)間的相關(guān)性,提高模型的分析效率與預(yù)測(cè)精度。再結(jié)合股票相關(guān)技術(shù)指標(biāo)算法KDJ與MACD,通過(guò)計(jì)算得到能夠表示數(shù)據(jù)中更深層隱含規(guī)律的技術(shù)指標(biāo)。將各項(xiàng)指標(biāo)值一同作為輸入數(shù)據(jù),從樣本質(zhì)量的角度降低模型的學(xué)習(xí)難度,提高學(xué)習(xí)效率與學(xué)習(xí)能力。同時(shí)在LSTM神經(jīng)網(wǎng)絡(luò)內(nèi)部根據(jù)股票特性對(duì)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與模型中各項(xiàng)參數(shù)進(jìn)行調(diào)... 

【文章來(lái)源】：重慶理工大學(xué)重慶市

【文章頁(yè)數(shù)】：58 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

整體結(jié)構(gòu)

2相關(guān)技術(shù)13圖2.1KDJ指標(biāo)示意圖D線作為慢速主干線，D值的正常波動(dòng)范圍在20至80之間。D值大于80時(shí)為超買，說(shuō)明投資者對(duì)該股過(guò)度買入。當(dāng)D值小于20時(shí)為超賣，說(shuō)明投資者對(duì)該股過(guò)度賣出。同理，快速線K值的正常波動(dòng)區(qū)間為10至90之間，90以上為超買，10以下為超賣。K值與D值不僅可以反映出市場(chǎng)的超買超賣程度，還能通過(guò)兩條線的交叉突破發(fā)出買賣信號(hào)。上漲趨勢(shì)中，K線向上突破D線的交叉點(diǎn)稱為“金叉”，為買入信號(hào)。下跌趨勢(shì)中，K線向下跌破D線的交叉點(diǎn)被稱為“死叉”，為賣出信號(hào)。將二者結(jié)合進(jìn)行判斷，K、D線在超買區(qū)或超賣區(qū)相交，則提供的買賣信號(hào)更加有效。2.3.2異同移動(dòng)平均線（MACD）MACD指標(biāo)也是一種跟蹤股票價(jià)格變化趨勢(shì)、展現(xiàn)買賣時(shí)機(jī)的技術(shù)分析指標(biāo)，由快速與慢速兩條移動(dòng)平均線的聚合與分離狀況代表市場(chǎng)趨勢(shì)的變化，輔助投資者進(jìn)行判斷。比起傳統(tǒng)的移動(dòng)平均線分析方法，MACD指標(biāo)在對(duì)短期與長(zhǎng)期股票價(jià)格的收盤(pán)價(jià)進(jìn)行平滑處理之后，得到二者的離差值（DIF）后再次進(jìn)行平滑處理。既解決了移動(dòng)平均線頻繁發(fā)出假信號(hào)的問(wèn)題，又保留了移動(dòng)平均線的效果。因其穩(wěn)重、安定的特性，在股票市場(chǎng)長(zhǎng)期趨勢(shì)分析中應(yīng)用廣泛。()=1+1()+2+1（2.5）=(12)(26)（2.6）=1+1+（2.7）其中n為移動(dòng)平均值的天數(shù)，C為當(dāng)日收盤(pán)價(jià)，短期收盤(pán)價(jià)的天數(shù)n一般選擇12

重慶理工大學(xué)碩士學(xué)位論文14日，長(zhǎng)期收盤(pán)價(jià)的天數(shù)一般選擇26日，由它們的離差值（DIF）與離差值的9日移動(dòng)平均值（DEA）經(jīng)過(guò)計(jì)算最終得到MACD指標(biāo)。PEMA與PDEA為前一日的EMA與DEA。=()2（2.8）MACD指標(biāo)主要是通過(guò)移動(dòng)平均值（EMA）、離差值（DIF）和離差值的9日移動(dòng)平均值（DEA）這三者之間的關(guān)系，以離差值為主導(dǎo)，離差值的9日移動(dòng)平均值為輔助進(jìn)行分析判斷。差離值等于短期EMA數(shù)值減去長(zhǎng)期EMA數(shù)值，在短期內(nèi)持續(xù)的漲勢(shì)中，12日的EMA要高于26日的EMA，二者間的正差離值會(huì)變大。反之在跌勢(shì)中，差離值會(huì)減小甚至是負(fù)值。在一波上漲或者下跌的趨勢(shì)之后，當(dāng)差離值的絕對(duì)值縮小到一定程度的時(shí)候，則是行情反轉(zhuǎn)的信號(hào)。在實(shí)際分析應(yīng)用中，DIF線向上突破DEA線的交叉點(diǎn)為“金叉”，為買入信號(hào)。DIF線向下跌破DEA線的交叉點(diǎn)為“死叉”，為賣出信號(hào)。除此之外，根據(jù)MACD值繪制的紅綠柱狀圖也可以直觀地表明市場(chǎng)趨勢(shì)。圖2.2MACD指標(biāo)示意圖2.4股票價(jià)格預(yù)測(cè)技術(shù)分析方法2.4.1長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）長(zhǎng)期短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM），是一種循環(huán)神經(jīng)網(wǎng)絡(luò)，適用于處理和預(yù)測(cè)時(shí)間

【參考文獻(xiàn)】：
期刊論文
[1]基于樹(shù)結(jié)構(gòu)長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的金融時(shí)間序列預(yù)測(cè)[J]. 姚小強(qiáng),侯志森.  計(jì)算機(jī)應(yīng)用. 2018(11)
[2]機(jī)器學(xué)習(xí)技術(shù)的發(fā)展趨勢(shì)探析[J]. 譚春波,徐偉,孫麗.  計(jì)算機(jī)產(chǎn)品與流通. 2018(09)
[3]基于正則化LSTM模型的股票指數(shù)預(yù)測(cè)[J]. 任君,王建華,王傳美,王建祥.  計(jì)算機(jī)應(yīng)用與軟件. 2018(04)
[4]使用灰色模型預(yù)測(cè)股票價(jià)格走勢(shì)[J]. 何春雪,李惠禹,姜楠,姜山,吳奕璇,黃勻一.  企業(yè)科技與發(fā)展. 2018(04)
[5]基于灰色GARCH模型和BP神經(jīng)網(wǎng)絡(luò)的股票價(jià)格預(yù)測(cè)[J]. 曹曉,孫紅兵.  軟件. 2017(11)
[6]基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)方法[J]. 劉桐彤.  黑龍江科技信息. 2016(31)
[7]股市預(yù)期的短期波動(dòng)與長(zhǎng)期記憶性研究——基于新浪網(wǎng)股市調(diào)查數(shù)據(jù)[J]. 許毓坤,于洋.  溫州大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版). 2016(02)
[8]關(guān)于金融證券傳統(tǒng)K線圖的改進(jìn)建議[J]. 朱安遠(yuǎn),朱婧姝.  中國(guó)市場(chǎng). 2015(19)
[9]深度學(xué)習(xí)研究進(jìn)展[J]. 劉建偉,劉媛,羅雄麟.  計(jì)算機(jī)應(yīng)用研究. 2014(07)
[10]淺談基本面分析和技術(shù)分析在股票市場(chǎng)的應(yīng)用[J]. 扈香梅.  新西部(理論版). 2014(05)

博士論文
[1]基于行為金融學(xué)的股票市場(chǎng)投資者行為研究[D]. 李靜.中國(guó)社會(huì)科學(xué)院研究生院 2012

碩士論文
[1]基于改進(jìn)自編碼網(wǎng)絡(luò)的空氣污染物時(shí)序預(yù)測(cè)關(guān)鍵問(wèn)題研究[D]. 金玉鵬.上海師范大學(xué) 2019
[2]基于LSTM和投資者情緒的股票行情預(yù)測(cè)研究[D]. 周凌寒.華中師范大學(xué) 2018
[3]基于長(zhǎng)短期記憶網(wǎng)絡(luò)的行人屬性識(shí)別[D]. 鄭偉雄.天津大學(xué) 2018
[4]基于LSTM深度神經(jīng)網(wǎng)絡(luò)的股市時(shí)間序列預(yù)測(cè)精度的影響因素研究[D]. 毛景慧.暨南大學(xué) 2017
[5]基于主成分分析和BP神經(jīng)網(wǎng)絡(luò)算法的綜合選股實(shí)證研究[D]. 蘭強(qiáng)太.暨南大學(xué) 2017
[6]股市常用技術(shù)分析方法的有效性實(shí)證研究[D]. 王勁松.西南財(cái)經(jīng)大學(xué) 2010



本文編號(hào)：3494661