發(fā)布時間：2023-06-01 02:24

　　在經(jīng)濟社會發(fā)展中各個領域都與大宗商品有著密切的聯(lián)系,大宗商品的價格變化不僅會直接影響著產(chǎn)業(yè)鏈中企業(yè)的經(jīng)濟效益,而且在全球化成為主流趨勢并且競爭日益激烈的國際社會中對大宗商品的定價權的掌握以及價格合理的預期會對一個國家的外貿起著顯著的影響,因此期貨也會在經(jīng)濟金融發(fā)展過程中扮演著越來越重要的角色。影響期貨價格的因素紛繁復雜,在大數(shù)據(jù)時代為了從中有效的提取更多有價值的信息需要采用一定的技術手段,深度學習模型為這一需求提供可能。本文選取商品期貨精對苯二甲酸(PTA)作為研究對象,樣本數(shù)據(jù)來源于wind數(shù)據(jù)庫,包括PTA的基本面因子包括五個子類供應類、需求類、價格類、庫存類和宏觀經(jīng)濟類因子共計29個指標以及22個技術類指標。時間段位于2013年10月30日—2020年12月7日之間共計1734天的時間序列數(shù)據(jù)。在預測方法上,本文選取了四種基本的神經(jīng)網(wǎng)絡模型:BP神經(jīng)網(wǎng)絡、RNN神經(jīng)網(wǎng)絡、長短記憶神經(jīng)網(wǎng)絡(LSTM)、門控制循環(huán)神經(jīng)網(wǎng)絡(GRU),為了提高預測精度在此基礎上構建GRU—LSTM混合神經(jīng)網(wǎng)絡進行預測,采用均方誤差MSE(Mean Squared Error)來表示模型的預測準確性。最...

【文章頁數(shù)】：69 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 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 國內外研究現(xiàn)狀及分析
        1.2.1 國外研究現(xiàn)狀
        1.2.2 國內研究現(xiàn)狀
        1.2.3 研究現(xiàn)狀評析
    1.3 研究思路與研究內容
        1.3.1 研究思路
        1.3.2 研究框架
第2章 PTA價格預測理論基礎
    2.1 期貨精對苯二甲酸簡介
    2.2 期貨價格主觀預測方法
        2.2.1 基本面分析
        2.2.2 期貨技術面分析
    2.3 傳統(tǒng)時間序列預測方法
        2.3.1 ARMA(p,q)模型
        2.3.2 ARIMA(p,d,q)模型
        2.3.3 ARCH(p)模型
    2.4 機器學習理論概述
        2.4.1 BP神經(jīng)網(wǎng)絡
        2.4.2 RNN循環(huán)神經(jīng)網(wǎng)絡
        2.4.3 LSTM長短記憶神經(jīng)網(wǎng)絡
        2.4.4 GRU門控制循環(huán)神經(jīng)網(wǎng)絡
    2.5 梯度下降算法優(yōu)化理論
        2.5.1 Ade Grade算法
        2.5.2 動量梯度下降法(Momentum)
        2.5.3 牛頓加速梯度算法(Nesterov Accelerated Gradient,NAG)
        2.5.4 Adam算法
    2.6 本章小結
第3章 樣本選擇及模型構建
    3.1 研究對象及時序數(shù)據(jù)集構建
        3.1.1 研究對象選取
        3.1.2 因子的選取
    3.2 實驗數(shù)據(jù)收集與預處理
        3.2.1 實驗數(shù)據(jù)收集
        3.2.2 標準化
        3.2.3 訓練數(shù)據(jù)集的劃分
    3.3 GRU-LSTM混合網(wǎng)絡模型的構建
    3.4 本章小結
第4章 PTA期貨價格的實證預測
    4.1 BP神經(jīng)網(wǎng)絡模型預測分析
    4.2 RNN神經(jīng)網(wǎng)絡實驗結果
    4.3 LSTM模型實證結果
    4.4 GRU神經(jīng)網(wǎng)絡同步預測
    4.5 GRU—LSTM混合模型實證預測分析
        4.5.1 GRU—LSTM混合模型實證結果
        4.5.2 五種模型預測結果的對比
    4.6 對策建議
    4.7 本章小結
結論
參考文獻
致謝



本文編號：3826465