發(fā)布時間：2021-11-14 12:44

　　隨著我國經(jīng)濟的飛速發(fā)展及人們投資意識的增強,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)險的性質(zhì)會為投資者帶來巨大隱患,因此預(yù)測股票市場走勢對于投資者來說具有重要意義。眾所周知,股票是一個多要素的復(fù)雜系統(tǒng)。在利用技術(shù)方法建立股票預(yù)測模型時,由于存在輸入數(shù)據(jù)變量較多、數(shù)據(jù)信息有重疊、異常值對訓(xùn)練影響較大等問題,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)測模型本身還存在著參數(shù)難以確定、在股票預(yù)測領(lǐng)域?qū)Ｓ眯缘偷葐栴},這些經(jīng)常導(dǎo)致訓(xùn)練的股票預(yù)測模型泛化性差,預(yù)測效果欠佳。針對上述問題,本文提出選用z-score標準化方法對基礎(chǔ)數(shù)據(jù)進行處理,消除股票數(shù)據(jù)中數(shù)值大、量綱不同、異常值等問題對訓(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降低數(shù)據(jù)維度并消除各項指標間的相關(guān)性,提高模型的分析效率與預(yù)測精度。再結(jié)合股票相關(guān)技術(shù)指標算法KDJ與MACD,通過計算得到能夠表示數(shù)據(jù)中更深層隱含規(guī)律的技術(shù)指標。將各項指標值一同作為輸入數(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。同時在LSTM神經(jīng)網(wǎng)絡(luò)內(nèi)部根據(jù)股票特性對神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與模型中各項參數(shù)進行調(diào)... 

【文章來源】：重慶理工大學(xué)重慶市

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【部分圖文】：

整體結(jié)構(gòu)

2相關(guān)技術(shù)13圖2.1KDJ指標示意圖D線作為慢速主干線，D值的正常波動范圍在20至80之間。D值大于80時為超買，說明投資者對該股過度買入。當D值小于20時為超賣，說明投資者對該股過度賣出。同理，快速線K值的正常波動區(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的超買超賣程度，還能通過兩條線的交叉突破發(fā)出買賣信號。上漲趨勢中，K線向上突破D線的交叉點稱為“金叉”，為買入信號。下跌趨勢中，K線向下跌破D線的交叉點被稱為“死叉”，為賣出信號。將二者結(jié)合進行判斷，K、D線在超買區(qū)或超賣區(qū)相交，則提供的買賣信號更加有效。2.3.2異同移動平均線（MACD）MACD指標也是一種跟蹤股票價格變化趨勢、展現(xiàn)買賣時機的技術(shù)分析指標，由快速與慢速兩條移動平均線的聚合與分離狀況代表市場趨勢的變化，輔助投資者進行判斷。比起傳統(tǒng)的移動平均線分析方法，MACD指標在對短期與長期股票價格的收盤價進行平滑處理之后，得到二者的離差值（DIF）后再次進行平滑處理。既解決了移動平均線頻繁發(fā)出假信號的問題，又保留了移動平均線的效果。因其穩(wěn)重、安定的特性，在股票市場長期趨勢分析中應(yīng)用廣泛。()=1+1()+2+1（2.5）=(12)(26)（2.6）=1+1+（2.7）其中n為移動平均值的天數(shù)，C為當日收盤價，短期收盤價的天數(shù)n一般選擇12

重慶理工大學(xué)碩士學(xué)位論文14日，長期收盤價的天數(shù)一般選擇26日，由它們的離差值（DIF）與離差值的9日移動平均值（DEA）經(jīng)過計算最終得到MACD指標。PEMA與PDEA為前一日的EMA與DEA。=()2（2.8）MACD指標主要是通過移動平均值（EMA）、離差值（DIF）和離差值的9日移動平均值（DEA）這三者之間的關(guān)系，以離差值為主導(dǎo)，離差值的9日移動平均值為輔助進行分析判斷。差離值等于短期EMA數(shù)值減去長期EMA數(shù)值，在短期內(nèi)持續(xù)的漲勢中，12日的EMA要高于26日的EMA，二者間的正差離值會變大。反之在跌勢中，差離值會減小甚至是負值。在一波上漲或者下跌的趨勢之后，當差離值的絕對值縮小到一定程度的時候，則是行情反轉(zhuǎn)的信號。在實際分析應(yīng)用中，DIF線向上突破DEA線的交叉點為“金叉”，為買入信號。DIF線向下跌破DEA線的交叉點為“死叉”，為賣出信號。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趨勢。圖2.2MACD指標示意圖2.4股票價格預(yù)測技術(shù)分析方法2.4.1長短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）長期短期記憶神經(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)測時間

【參考文獻】：
期刊論文
[1]基于樹結(jié)構(gòu)長短期記憶神經(jīng)網(wǎng)絡(luò)的金融時間序列預(yù)測[J]. 姚小強,侯志森.  計算機應(yīng)用. 2018(11)
[2]機器學(xué)習(xí)技術(shù)的發(fā)展趨勢探析[J]. 譚春波,徐偉,孫麗.  計算機產(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[J]. 任君,王建華,王傳美,王建祥.  計算機應(yīng)用與軟件. 2018(04)
[4]使用灰色模型預(yù)測股票價格走勢[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)的股票價格預(yù)測[J]. 曹曉,孫紅兵.  軟件. 2017(11)
[6]基于長短期記憶神經(jīng)網(wǎng)絡(luò)的短期負荷預(yù)測方法[J]. 劉桐彤.  黑龍江科技信息. 2016(31)
[7]股市預(yù)期的短期波動與長期記憶性研究——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(社會科學(xué)版). 2016(02)
[8]關(guān)于金融證券傳統(tǒng)K線圖的改進建議[J]. 朱安遠,朱婧姝.  中國市場. 2015(19)
[9]深度學(xué)習(xí)研究進展[J]. 劉建偉,劉媛,羅雄麟.  計算機應(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)的股票市場投資者行為研究[D]. 李靜.中國社會科學(xué)院研究生院 2012

碩士論文
[1]基于改進自編碼網(wǎng)絡(luò)的空氣污染物時序預(yù)測關(guān)鍵問題研究[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)測研究[D]. 周凌寒.華中師范大學(xué) 2018
[3]基于長短期記憶網(wǎng)絡(luò)的行人屬性識別[D]. 鄭偉雄.天津大學(xué) 2018
[4]基于LSTM深度神經(jīng)網(wǎng)絡(luò)的股市時間序列預(yù)測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)算法的綜合選股實證研究[D]. 蘭強太.暨南大學(xué) 2017
[6]股市常用技術(shù)分析方法的有效性實證研究[D]. 王勁松.西南財經(jīng)大學(xué) 2010



本文編號：3494661