【摘要】：挖掘金融市場的運動規(guī)律,并準確地預(yù)測金融市場的走勢有助于金融投資者制定出低風險、高收益的投資策略。因此,金融時間序列預(yù)測的相關(guān)研究一直都在進行,而且備受關(guān)注。然而,金融數(shù)據(jù)作為一種時間序列數(shù)據(jù)具有非線性、非平穩(wěn)以及高噪聲的特性,使得金融時間序列預(yù)測被世界公認為最具有挑戰(zhàn)性的時間序列預(yù)測任務(wù)。如何準確地判斷金融市場的走勢是金融研究人員始終都在研究但尚未完全攻克的難題。隨著深度學(xué)習方法在各行各業(yè)取得了突破性的進展,越來越多的金融研究人員將深度學(xué)習方法應(yīng)用于金融時間序列預(yù)測的研究中。本文基于深度學(xué)習方法對金融時間序列預(yù)測問題進行研究,并以股票金融數(shù)據(jù)為預(yù)測對象,以收盤價格為預(yù)測目標,設(shè)計了兩種基于深度學(xué)習的時間序列預(yù)測模型——單流網(wǎng)絡(luò)預(yù)測模型和雙流網(wǎng)絡(luò)預(yù)測模型。其中,每條特征流網(wǎng)絡(luò)都是基于LSTM混合模型所實現(xiàn)的。單流網(wǎng)絡(luò)預(yù)測模型主要用于預(yù)測金融市場的股價指數(shù),該模型由基于WDAE-LSTM混合模型的自趨勢流構(gòu)成。該模型通過將小波降噪模塊、降噪自編碼器模塊以及長短期記憶網(wǎng)絡(luò)模塊相結(jié)合,對金融市場股價指數(shù)序列的自身趨勢特征進行提取。實驗結(jié)果表明,與其它類似的預(yù)測模型相比,本文所設(shè)計的單流網(wǎng)絡(luò)預(yù)測模型在金融股價指數(shù)序列預(yù)測中有更高的預(yù)測精度,在實際金融分析中更有應(yīng)用價值。雙流網(wǎng)絡(luò)預(yù)測模型主要針對單支股票價格進行預(yù)測。該模型是通過在單流網(wǎng)絡(luò)預(yù)測模型的基礎(chǔ)上引入互趨勢流實現(xiàn)的�；ペ厔萘鞯淖饔檬抢糜尚〔ㄖ鞒煞址治鼋翟肽K和長短期記憶網(wǎng)絡(luò)模塊構(gòu)成的WPCA-LSTM混合模型,從多支金融時間序列間提取相關(guān)趨勢特征。雙流網(wǎng)絡(luò)預(yù)測模型通過將自身趨勢特征和相關(guān)趨勢特征相融合,提高對單支股票價格序列的預(yù)測精度。實驗結(jié)果表明,雙流網(wǎng)絡(luò)預(yù)測模型對單支股票價格序列的預(yù)測性能相比于單流網(wǎng)絡(luò)模型有明顯的提升。最后,本文將雙流網(wǎng)絡(luò)預(yù)測模型應(yīng)用于其它時間序列預(yù)測中,實驗結(jié)果表明,該雙流網(wǎng)絡(luò)預(yù)測模型對其它時間序列數(shù)據(jù)的預(yù)測表現(xiàn)良好,這意味著本文所設(shè)計的雙流網(wǎng)絡(luò)預(yù)測模型具有一定的泛用性,可適用于多種時間序列預(yù)測分析。
【圖文】：

小波降噪降噪效果圖

sigmoid函數(shù)曲線
【學(xué)位授予單位】：鄭州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：O211.61;F830.91

【相似文獻】

相關(guān)期刊論文 前10條

1 何蕭玲;時間序列預(yù)測的一個前饋神經(jīng)網(wǎng)絡(luò)模型[J];福州大學(xué)學(xué)報(自然科學(xué)版);2001年04期

2 聶皖生;時間序列預(yù)測的權(quán)數(shù)理論[J];統(tǒng)計與預(yù)測;1994年05期

3 張志鵬;王偉平;鄭海超;;卡爾曼濾波及其在時間序列預(yù)測中的應(yīng)用[J];儀表技術(shù);2010年07期

4 江勝菊;王濤;;一型模糊邏輯系統(tǒng)在時間序列預(yù)測中的應(yīng)用[J];遼寧工業(yè)大學(xué)學(xué)報(自然科學(xué)版);2012年05期

5 朱丹;;“時間序列預(yù)測”教學(xué)探討[J];中山大學(xué)學(xué)報論叢;2005年06期

6 孫延風,梁艷春,姜靜清,吳春國;金融時間序列預(yù)測中的神經(jīng)網(wǎng)絡(luò)方法[J];吉林大學(xué)學(xué)報(信息科學(xué)版);2004年01期

7 王鴻緒;陳德廣;過建春;金海龍;;基于逆模糊數(shù)的模糊時間序列預(yù)測的新方法[J];數(shù)學(xué)的實踐與認識;2015年07期

8 楊月英;馬萍;;基于灰色時間序列預(yù)測中國汽車銷量[J];湖州職業(yè)技術(shù)學(xué)院學(xué)報;2012年01期

9 吳江;李太勇;;基于加權(quán)支持向量機的金融時間序列預(yù)測[J];商業(yè)研究;2010年01期

10 楊鐘瑾;;核函數(shù)支持向量機的時間序列預(yù)測應(yīng)用研究[J];消費導(dǎo)刊;2008年10期

相關(guān)會議論文 前10條

1 尤華;王建東;;機場噪聲的時間序列預(yù)測[A];2011年通信與信息技術(shù)新進展——第八屆中國通信學(xué)會學(xué)術(shù)年會論文集[C];2011年

2 陳宇;唐常杰;鐘義嘯;段磊;喬少杰;普東航;;基于基因表達式編程和時變強度的時間序列預(yù)測[A];第二十二屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2005年

3 王亮;鐘登華;葛曉冬;;預(yù)測方法綜述[A];全國青年管理科學(xué)與系統(tǒng)科學(xué)論文集（第1卷）[C];1991年

4 程乾生;;非線性時間序列預(yù)測——基于數(shù)據(jù)結(jié)構(gòu)的預(yù)測方法[A];全國第一屆嵌入式技術(shù)聯(lián)合學(xué)術(shù)會議論文集[C];2006年

5 劉經(jīng)緯;王普;劉蘇;楊蕾;;時間序列預(yù)測小波神經(jīng)網(wǎng)絡(luò)控制方法研究[A];第26屆中國控制與決策會議論文集[C];2014年

6 王昭旭;郝曉辰;郭f萬，

本文編號：2621593