構(gòu)建高精度股市指數(shù)預(yù)測模型進(jìn)而設(shè)計高效的擇時策略是量化投資領(lǐng)域的研究熱點。文章在股市指數(shù)建模過程中引入自適應(yīng)噪聲完備集合經(jīng)驗?zāi)B(tài)分解（CEEMDAN）,并結(jié)合長短記憶網(wǎng)絡(luò)（LSTM）對復(fù)雜序列中長期依賴關(guān)系高效的建模能力,提出一種指數(shù)預(yù)測建模方法C-LSTM。首先,運用CEEMDAN對指數(shù)進(jìn)行量分預(yù)解測與值重獲構(gòu)得,指獲數(shù)得的其整高體、低預(yù)頻測分值量,與及現(xiàn)趨有勢主項流;然預(yù)后測,方利法用L的ST對M比分實別驗對表各明分C-量L進(jìn)ST行M預(yù)具測有建更模低,的進(jìn)預(yù)而測加誤和差集和成滯各分后性;最后,構(gòu)建基于C-LSTM預(yù)測的指數(shù)擇時策略,并在滬深300指數(shù)上將其與均線擇時、SVR擇時進(jìn)行對比實驗,結(jié)果表明該策略憑借對指數(shù)的高精度預(yù)測大幅提升了擇時信號的準(zhǔn)確度,整體表現(xiàn)顯著超越對照策略。 

【文章來源】：統(tǒng)計與決策. 2020,36(23)北大核心CSSCI

【文章頁數(shù)】：6 頁

【部分圖文】：

按時間展開的RNN結(jié)構(gòu)

選取指數(shù)2006年1月1日至2016年2月1日共2450個數(shù)據(jù)創(chuàng)建預(yù)測模型的訓(xùn)練集，以2016年2月2日至2017年5月10日共307個數(shù)據(jù)創(chuàng)建測試集。對建模數(shù)據(jù)執(zhí)行Z-score標(biāo)準(zhǔn)化，以消除指標(biāo)間量綱的影響。采用滾動預(yù)測建模方式，分別構(gòu)建高、低頻分量以及趨勢項三個子序列的預(yù)測模型，其中模型輸入為最近30日的指數(shù)值，輸出則為待預(yù)測的下一日指數(shù)值[6]。考慮到模型計算訓(xùn)練效率，本文建立的LSTM深層網(wǎng)絡(luò)僅包含兩個隱層，并包含一個Dropout層以避免模型過擬合問題。將動態(tài)學(xué)習(xí)率初值設(shè)置為0.1，并按照公式0.1*0.96k動態(tài)調(diào)整，使其隨著迭代次數(shù)k的不斷增大而均勻下降，以實現(xiàn)LSTM模型在訓(xùn)練過程中高效收斂于損失函數(shù)的全局最優(yōu)值。本文通過實驗方法確定各預(yù)測模型中兩個隱層包含的神經(jīng)元個數(shù)。根據(jù)表1的結(jié)果，將高頻分量模型的隱層神經(jīng)元數(shù)目設(shè)定為最優(yōu)組合（10,10）；同理，將低頻分量、趨勢項對應(yīng)的預(yù)測模型的隱層神經(jīng)元數(shù)目都設(shè)定為（6,6）。對各子序列LSTM預(yù)測模型進(jìn)行訓(xùn)練，實驗表明3個模型經(jīng)過100次迭代后都收斂于最優(yōu)狀態(tài)，獲得各子序列的最優(yōu)預(yù)測模型。

利用上文已建立的3個子序列預(yù)測模型，并以最近30天指數(shù)值為輸入，分別采用滾動預(yù)測方式對預(yù)測期內(nèi)指數(shù)的高、低頻分量及趨勢項進(jìn)行預(yù)測。如圖6所示，多數(shù)高頻子序列預(yù)測值相對真實值右偏，預(yù)測滯后問題明顯。對各子序列LSTM預(yù)測模型的評價結(jié)果如下頁表2所示[2]。高頻分量模型對應(yīng)的R2僅為0.4081，證實其存在較大的預(yù)測誤差、解釋能力較弱。2.4.2 高頻IMF組合方式優(yōu)化

【參考文獻(xiàn)】：
期刊論文
[1]基于EEMD-SVR的滬深300指數(shù)預(yù)測建模[J]. 賀毅岳,韓進(jìn)博,高妮.  統(tǒng)計與決策. 2020(17)
[2]基于CEEMDAN-MR-PE-NLE多頻優(yōu)化組合模型的碳金融市場價格預(yù)測[J]. 崔金鑫,鄒輝文.  數(shù)學(xué)的實踐與認(rèn)識. 2020(03)
[3]機(jī)器學(xué)習(xí)驅(qū)動的基本面量化投資研究[J]. 李斌,邵新月,李玥陽.  中國工業(yè)經(jīng)濟(jì). 2019(08)
[4]EMD分解下基于SVR的股票價格集成預(yù)測[J]. 賀毅岳,高妮,王峰虎,茹少峰,韓進(jìn)博.  西北大學(xué)學(xué)報(自然科學(xué)版). 2019(03)
[5]基于深度學(xué)習(xí)LSTM神經(jīng)網(wǎng)絡(luò)的全球股票指數(shù)預(yù)測研究[J]. 楊青,王晨蔚.  統(tǒng)計研究. 2019(03)
[6]基于EEMD-LSTM-Adaboost的商品價格預(yù)測[J]. 邸浩,趙學(xué)軍,張自力.  統(tǒng)計與決策. 2018(13)
[7]深度學(xué)習(xí)的金融實證應(yīng)用:動態(tài)、貢獻(xiàn)與展望[J]. 蘇治,盧曼,李德軒.  金融研究. 2017(05)
[8]基于EEMD的投資者情緒與股指波動的關(guān)系研究[J]. 李合龍,馮春娥.  系統(tǒng)工程理論與實踐. 2014(10)
[9]A股市場均線策略有效性與收益率隨機(jī)特征研究[J]. 周銘山,馮新力,林靚,方旭赟,周開國.  證券市場導(dǎo)報. 2013(01)



本文編號：3461350