近年來,在全球重視被動投資的大背景下,指數(shù)化投資已經(jīng)成為資產(chǎn)管理領(lǐng)域重要的發(fā)展趨勢。投資者希望通過股指交易對沖風險或獲利,監(jiān)管者希望市場平穩(wěn)運行,這些都需要對股市指數(shù)走勢有正確的判斷。滬深300指數(shù)作為中國股市大盤指數(shù)中最熱門的追蹤指數(shù)之一,分析和預(yù)測其發(fā)展趨勢有利于政府提前了解市場發(fā)展狀況,以及時規(guī)避重大風險,促進市場健康發(fā)展,并能夠為投資者判斷指數(shù)型產(chǎn)品的買賣時機提供輔助。股票預(yù)測領(lǐng)域中以往常用的預(yù)測模型有人工神經(jīng)網(wǎng)絡(luò)(ANN)、SVM和隨機森林等。隨著深度學習的發(fā)展,深度學習模型如CNN、LSTM等,在計算機視覺和自然語言處理等方面展現(xiàn)出很大的優(yōu)勢,同時也逐步應(yīng)用到金融時間序列的研究中。同時由于自動提取特征的算法的出現(xiàn),最近的研究者越來越傾向于使用深度學習模型對股票市場進行研究。然而無論是以往常用的金融預(yù)測模型還是現(xiàn)在的深度學習模型,對它們的研究大多僅使用了市場中的技術(shù)指標或歷史價格數(shù)據(jù),而沒有考慮宏觀經(jīng)濟環(huán)境以及其他股票市場對A股市場的影響,忽略了那些有可能為股指預(yù)測性能提升帶來幫助的信息來源。本文選擇多種來源的指標作為預(yù)測股指的初始特征,包括股指本身的基本特征、技術(shù)指標、A股...

【文章頁數(shù)】：80 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 研究背景與意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 研究綜述
        1.2.1 機器學習模型在股市預(yù)測中的應(yīng)用
        1.2.2 深度學習模型在股市預(yù)測中的應(yīng)用
        1.2.3 降維技術(shù)在股市預(yù)測中的應(yīng)用
        1.2.4 綜述小結(jié)
    1.3 研究內(nèi)容和創(chuàng)新點
        1.3.1 研究內(nèi)容
        1.3.2 創(chuàng)新點
    1.4 論文組織結(jié)構(gòu)
2 股市預(yù)測分析和模型介紹
    2.1 股市預(yù)測問題分析
    2.2 模型介紹
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.2 長短期記憶網(wǎng)絡(luò)
        2.2.3 機器學習模型
    2.3 降維技術(shù)介紹
        2.3.1 PCA
        2.3.2 KPCA
        2.3.3 瓶頸神經(jīng)網(wǎng)絡(luò)
    2.4 模型評估指標
        2.4.1 混淆矩陣
        2.4.2 損失
3 指數(shù)預(yù)測的特征集數(shù)據(jù)處理
    3.1 變量說明
        3.1.1 原始特征
        3.1.2 數(shù)據(jù)標簽
    3.2 數(shù)據(jù)預(yù)處理
        3.2.1 不同步數(shù)據(jù)處理
        3.2.2 歸一化
    3.3 數(shù)據(jù)探索性分析
        3.3.1 正態(tài)性檢驗
        3.3.2 相關(guān)性分析
    3.4 特征工程
        3.4.1 特征選擇
        3.4.2 特征提取
4 滬深300指數(shù)預(yù)測
    4.1 超參數(shù)設(shè)置
        4.1.1 超參數(shù)說明
        4.1.2 超參數(shù)選擇方法
    4.2 基于CNN預(yù)測指數(shù)方向
        4.2.1 模型描述
        4.2.2 模型構(gòu)建
        4.2.3 CNN預(yù)測
    4.3 基于LSTM預(yù)測指數(shù)方向
        4.3.1 模型構(gòu)建
        4.3.2 LSTM預(yù)測
    4.4 機器學習模型預(yù)測指數(shù)方向
        4.4.1 Logistic回歸模型
        4.4.2 多層感知機
        4.4.3 ANN
        4.4.4 降維方法比較
    4.5 模型比較與分析
        4.5.1 模型預(yù)測效果比較
        4.5.2 結(jié)果討論
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 后續(xù)工作的展望
參考文獻
附錄
致謝



本文編號：3764937