發(fā)布時(shí)間：2022-12-08 02:23

　　深度學(xué)習(xí)能夠從大量原始數(shù)據(jù)中提取高級(jí)抽象特征而不依賴(lài)于先驗(yàn)知識(shí),對(duì)于金融市場(chǎng)預(yù)測(cè)具有潛在的吸引力�；�"分解—重構(gòu)—綜合"的思想,提出了一種全新的深度學(xué)習(xí)預(yù)測(cè)方法論,并在此基礎(chǔ)上構(gòu)建了一種股票市場(chǎng)單步向前的深度學(xué)習(xí)復(fù)合預(yù)測(cè)模型——CEEMD-LSTM。在此模型中,序列平穩(wěn)化分解模塊的CEEMD能將時(shí)間序列中不同尺度的波動(dòng)或趨勢(shì)逐級(jí)分解出來(lái),產(chǎn)生一系列不同特征尺度的本征模態(tài)函數(shù)（Intrinsic Mode Function,IMF）;采用深度學(xué)習(xí)中適合處理時(shí)間序列的長(zhǎng)短期記憶網(wǎng)絡(luò)（Long-Short Term Memory,LSTM）分別對(duì)每個(gè)IMF與趨勢(shì)項(xiàng)提取高級(jí)、深度特征,并預(yù)測(cè)下一交易日收盤(pán)價(jià)的收益率;最后,綜合各個(gè)IMF分量以及趨勢(shì)項(xiàng)的預(yù)測(cè)值,得到最終的預(yù)測(cè)值�；�3類(lèi)不同發(fā)達(dá)程度股票市場(chǎng)的股票指數(shù)的實(shí)證結(jié)果表明,此模型在預(yù)測(cè)的兩個(gè)維度即預(yù)測(cè)誤差與預(yù)測(cè)命中率上均要優(yōu)于其他參照模型。 

【文章頁(yè)數(shù)】：13 頁(yè)

【文章目錄】：
1 引言
2 文獻(xiàn)綜述
3 CEEMD-LSTM模型
    3.1 深度學(xué)習(xí)預(yù)測(cè)方法論
    3.2 EMD,EEMD與CEEMD
        3.2.1 EMD
        3.2.2 EEMD
        3.2.3 CEEMD
    3.3 LSTM
    3.4 深度學(xué)習(xí)復(fù)合預(yù)測(cè)模型的構(gòu)建
4 實(shí)證設(shè)計(jì)以及數(shù)據(jù)選擇
    4.1 金融市場(chǎng)的分類(lèi)與選擇
    4.2 實(shí)證數(shù)據(jù)
    4.3 預(yù)測(cè)流程
5 實(shí)證分析
    5.1 預(yù)測(cè)性能的評(píng)價(jià)指標(biāo)
        (1)RMSE
        (2)MAE
        (3)NMSE
        (4)DS
    5.2 CEEMD分解結(jié)果及分析
    5.3 收益率預(yù)測(cè)結(jié)果及分析
    5.4 模型魯棒性分析


【參考文獻(xiàn)】：
期刊論文
[1]深度學(xué)習(xí)的金融實(shí)證應(yīng)用:動(dòng)態(tài)、貢獻(xiàn)與展望[J]. 蘇治,盧曼,李德軒.  金融研究. 2017(05)



本文編號(hào)：3713351