【摘要】：能夠預(yù)測(cè)一件事情的發(fā)生,一直是人們想要探討的問(wèn)題,通過(guò)細(xì)致而又精確的預(yù)測(cè),可以提前做一些準(zhǔn)備,有較好的事情發(fā)生,則積極準(zhǔn)備讓它變得更好。如果預(yù)測(cè)到一些較為不好的事情即將發(fā)生,則提前做好準(zhǔn)備,盡量減少損失。隨著科學(xué)技術(shù),人類社會(huì)等各個(gè)方面的不斷進(jìn)步,人們?cè)桨l(fā)想要根據(jù)現(xiàn)在的狀況預(yù)判未來(lái)事情的發(fā)展,為此,時(shí)間序列預(yù)測(cè)方法得到了飛躍的發(fā)展。目前主要有兩種預(yù)測(cè)的方法。第一為傳統(tǒng)經(jīng)典的時(shí)間序列預(yù)測(cè)方法,例如GARCH、ARMA等。經(jīng)過(guò)長(zhǎng)時(shí)間的發(fā)展,時(shí)間序列在各個(gè)行業(yè)得到了非常廣泛的應(yīng)用,但是這種方法對(duì)數(shù)據(jù)要求很大,甚至很多時(shí)候需要很多假設(shè),所以實(shí)際應(yīng)用常會(huì)浪費(fèi)很多時(shí)間,且有時(shí)并不能得到一個(gè)比較滿意的結(jié)果,尤其是面對(duì)股票市場(chǎng)長(zhǎng)時(shí)間走勢(shì)不斷地突變;第二為機(jī)器學(xué)習(xí)中的集中預(yù)測(cè)方法,最典型的為神經(jīng)網(wǎng)絡(luò)模型,神經(jīng)網(wǎng)絡(luò)由于其不拘泥于假設(shè)而且應(yīng)用范圍寬廣,所以自從產(chǎn)生開始便得到了很高的重視,但是其很多模型過(guò)于復(fù)雜而導(dǎo)致運(yùn)算時(shí)間過(guò)長(zhǎng)甚至產(chǎn)生過(guò)擬合現(xiàn)象。在股市中,隨著時(shí)間的推移,上市公司增多,國(guó)內(nèi)經(jīng)濟(jì)跟國(guó)外聯(lián)系更加緊密,數(shù)據(jù)越來(lái)越多,也越來(lái)越復(fù)雜,預(yù)測(cè)的難度也隨之增大,出現(xiàn)了量化投資概念。為此現(xiàn)在有很多的學(xué)者想辦法將二者結(jié)合起來(lái),在保證二者優(yōu)點(diǎn)的同時(shí)避免其缺點(diǎn),然后在量化投資的使用中提高預(yù)測(cè)的精度。本文首先運(yùn)用機(jī)器學(xué)習(xí)中集成學(xué)習(xí)的方法將時(shí)間序列中的自回歸模型(AR模型)與門限回歸模型(GRU模型)結(jié)合起來(lái),得到AR-GRU模型。并將其運(yùn)用于2005年1月至2018年7月上證指數(shù)日數(shù)據(jù)中進(jìn)行學(xué)習(xí),然后根據(jù)學(xué)習(xí)得到的結(jié)果對(duì)之后的數(shù)據(jù)進(jìn)行預(yù)測(cè),對(duì)比真實(shí)結(jié)果以及預(yù)測(cè)結(jié)果,分析其偏差情況。本文還提出了另一種集成學(xué)習(xí)模型,將時(shí)間序列中移動(dòng)平均模型(MA模型)與門限回歸模型(GRU模型)集成起來(lái),得到GRU-MA模型。同樣將其運(yùn)用于2005年1月至2018年7月上證指數(shù)日數(shù)據(jù)中進(jìn)行學(xué)習(xí),然后根據(jù)學(xué)習(xí)得到的結(jié)果對(duì)之后的數(shù)據(jù)進(jìn)行預(yù)測(cè),對(duì)比真實(shí)結(jié)果以及預(yù)測(cè)結(jié)果,分析其偏差情況。最后將AR-GRU模型、GRU-MA模型、ARMA模型、GRU模型的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比,得出新模型在預(yù)測(cè)精度上比原模型均高。
【學(xué)位授予單位】：廣西大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：F832.51;TP181
【圖文】：

ｇｕｒ．ｍ上圖中／？，ｘ．ｔａｎｈ，ｃｒ分別表示輸出、輸入、雙曲正切函數(shù)和ｓｉｇｍｏｉｄ函數(shù)，Ａ逡逑代表一個(gè)隱藏層節(jié)點(diǎn)，從圖屮我們可以看出，ＬＳＴＭ既可以向細(xì)胞狀態(tài)添加信息，逡逑也可以從細(xì)胞狀態(tài)刪除信息，為了達(dá)到自己的目的，有T需通過(guò)一些信息閥門。逡逑些一ｓｉｍｏｉｄ數(shù)或激上0？），ｓｉｍｏｉｄ

圖５．２邋２００５年１月－２０?

【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 聶淑媛;;時(shí)間序列分析的歷史發(fā)展[J];廣西民族大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年01期

2 林已杰;賴清;周敏;;基于BP神經(jīng)網(wǎng)絡(luò)和馬爾科夫模型的服務(wù)器軟件老化預(yù)測(cè)方法[J];西南師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年04期

3 朱新國(guó);張展羽;祝卓;;基于改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)馬爾科夫模型的區(qū)域需水量預(yù)測(cè)[J];水資源保護(hù);2010年02期

4 宋琴;;匯率與股價(jià)波動(dòng)研究——基于中國(guó)與日本高頻數(shù)據(jù)的ARCH檢驗(yàn)[J];經(jīng)濟(jì)與管理;2010年03期

5 王義民;于興杰;暢建霞;黃強(qiáng);;基于BP神經(jīng)網(wǎng)絡(luò)馬爾科夫模型的徑流量預(yù)測(cè)[J];武漢大學(xué)學(xué)報(bào)(工學(xué)版);2008年05期

相關(guān)博士學(xué)位論文 前1條

1 唐黎;金融時(shí)間序列預(yù)測(cè)的信息融合與計(jì)算智能模型[D];電子科技大學(xué);2018年

相關(guān)碩士學(xué)位論文 前10條

1 楊世林;基于聚寬量化投資平臺(tái)的股票多因子策略應(yīng)用[D];浙江大學(xué);2018年

2 章旗凱;基于商品期貨時(shí)滯信息的FOF基金量化投資策略研究[D];浙江大學(xué);2018年

3 王雷;多因子模型在我國(guó)中小板市場(chǎng)選股研究中的應(yīng)用[D];武漢紡織大學(xué);2018年

4 陳子寧;面向A股的基本面量化交易策略的設(shè)計(jì)[D];電子科技大學(xué);2018年

5 夏國(guó)斌;基于Bagging算法的集成支持向量機(jī)在個(gè)人信用評(píng)級(jí)中的應(yīng)用[D];山東大學(xué);2018年

6 袁亞光;基于金融大數(shù)據(jù)的客戶風(fēng)險(xiǎn)評(píng)估及預(yù)測(cè)[D];北京郵電大學(xué);2018年

7 李家駒;基于集成學(xué)習(xí)模型的上市公司財(cái)務(wù)困境判別研究[D];深圳大學(xué);2017年

8 梁葉;基于動(dòng)態(tài)時(shí)間彎曲的金融時(shí)間序列聚類研究[D];華僑大學(xué);2017年

9 劉洋;基于GRU神經(jīng)網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)研究[D];成都理工大學(xué);2017年

10 王婧伊;基于主成分聚類及GARCH模型族的深股金融特征分析[D];遼寧師范大學(xué);2016年

本文編號(hào)：2726939