發(fā)布時(shí)間：2025-02-01 20:21

　　隨著中國(guó)經(jīng)濟(jì)的不斷發(fā)展,股票投資已經(jīng)成為國(guó)內(nèi)流行的一種投資理財(cái)方式。股票價(jià)格的變動(dòng)不僅會(huì)直接影響到股票市場(chǎng)的穩(wěn)定,而且還可以影響到經(jīng)濟(jì)和金融的健康發(fā)展。投資者往往需要通過(guò)預(yù)測(cè)股價(jià)走勢(shì)以從中獲益,同時(shí)政府和其他相關(guān)機(jī)構(gòu)也需要及時(shí)有效地規(guī)范和管理市場(chǎng)。然而,作為一個(gè)高度復(fù)雜和動(dòng)態(tài)的系統(tǒng),股市受到許多因素的影響,包括商業(yè)趨勢(shì)等內(nèi)部因素和宏觀經(jīng)濟(jì)趨勢(shì)等外部因素。股票價(jià)格變動(dòng)的復(fù)雜性和不可預(yù)測(cè)性是由于股票市場(chǎng)的波動(dòng)性、非線性和低信號(hào)噪聲比等因素造成的。股票指數(shù)可以及時(shí)、全面地反映股票市場(chǎng)的變化,從中可以體現(xiàn)出股票價(jià)格的變化,因此需要對(duì)股指進(jìn)行有效預(yù)測(cè)。為了對(duì)金融股指進(jìn)行有效預(yù)測(cè),本文提出了一種基于貝葉斯優(yōu)化的自適應(yīng)融合股指預(yù)測(cè)模型:該模型是經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)和長(zhǎng)短期記憶(LSTM)模型的組合預(yù)測(cè)模型和單一LSTM模型構(gòu)成的集成模型,利用股指波動(dòng)性判斷適用情況從而自適應(yīng)選取最優(yōu)模型,并且EMD-LSTM和LSTM模型的超參數(shù)利用貝葉斯優(yōu)化算法自動(dòng)優(yōu)化。本文首先對(duì)股指進(jìn)行了統(tǒng)計(jì)性描述,發(fā)現(xiàn)三個(gè)股指的波動(dòng)具有明顯區(qū)別,就這一特征對(duì)數(shù)據(jù)進(jìn)行建模,對(duì)比本文提出的模型與傳統(tǒng)時(shí)間序列模型及機(jī)器學(xué)習(xí)模型共6種...

【文章頁(yè)數(shù)】：54 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.1RNN網(wǎng)絡(luò)結(jié)構(gòu)圖

?又荒?輕微影響系統(tǒng)的性能，不會(huì)損壞整個(gè)網(wǎng)絡(luò)，保證了高魯棒性和容錯(cuò)性。循環(huán)神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetworks，RNN），是由Hopfield于1983年首次引入。RNN是一個(gè)強(qiáng)大的人工神經(jīng)網(wǎng)絡(luò)，它使用歷史時(shí)間序列數(shù)據(jù)來(lái)預(yù)測(cè)特定時(shí)間長(zhǎng)度的未來(lái)數(shù)據(jù)。與前饋神經(jīng)網(wǎng)....

圖2.2LSTM細(xì)胞結(jié)構(gòu)圖

第2章相關(guān)理論與方法12兩個(gè)方程規(guī)定了簡(jiǎn)單的遞歸神經(jīng)網(wǎng)絡(luò)中前向傳遞的每個(gè)時(shí)間步的所有必要計(jì)算，如式（2.12）和（2.13）。RNN一次處理一個(gè)輸入序列的一個(gè)元素，在其隱藏單元中保持一個(gè)“狀態(tài)向量”，該單元隱式包含關(guān)于序列中所有過(guò)去元素的歷史信息。通過(guò)延遲器和反饋連接，RNN可以....

圖3.1EMD分解原理

第3章改進(jìn)的算法16圖3.1EMD分解原理EMD分解是自適應(yīng)的分解工具，它是一種完全基于信號(hào)本身特征的分解。它適用于線性和非線性序列，可以直接分析，無(wú)需事先分析和研究未知信號(hào)，所以EMD分解更加適用于金融時(shí)序序列[57-58]。3.3EMD-LSTM模型在以上的討論基礎(chǔ)上，采用了....

圖3.2EMD-LSTM模型結(jié)構(gòu)圖

第3章改進(jìn)的算法17圖3.2EMD-LSTM模型結(jié)構(gòu)圖從圖3.2可以看出EMD-LSTM模型結(jié)構(gòu)：首先，將金融股指日收盤價(jià)數(shù)據(jù)進(jìn)行EMD分解，得到多個(gè)IMF序列和一個(gè)殘差序列，再分別將各個(gè)序列作為L(zhǎng)STM模型的輸入進(jìn)而訓(xùn)練LSTM模型，最后將各分量經(jīng)過(guò)LSTM模型的預(yù)測(cè)結(jié)果加和匯....

本文編號(hào)：4029582