【摘要】：能夠預測一件事情的發(fā)生,一直是人們想要探討的問題,通過細致而又精確的預測,可以提前做一些準備,有較好的事情發(fā)生,則積極準備讓它變得更好。如果預測到一些較為不好的事情即將發(fā)生,則提前做好準備,盡量減少損失。隨著科學技術,人類社會等各個方面的不斷進步,人們越發(fā)想要根據(jù)現(xiàn)在的狀況預判未來事情的發(fā)展,為此,時間序列預測方法得到了飛躍的發(fā)展。目前主要有兩種預測的方法。第一為傳統(tǒng)經(jīng)典的時間序列預測方法,例如GARCH、ARMA等。經(jīng)過長時間的發(fā)展,時間序列在各個行業(yè)得到了非常廣泛的應用,但是這種方法對數(shù)據(jù)要求很大,甚至很多時候需要很多假設,所以實際應用常會浪費很多時間,且有時并不能得到一個比較滿意的結果,尤其是面對股票市場長時間走勢不斷地突變;第二為機器學習中的集中預測方法,最典型的為神經(jīng)網(wǎng)絡模型,神經(jīng)網(wǎng)絡由于其不拘泥于假設而且應用范圍寬廣,所以自從產(chǎn)生開始便得到了很高的重視,但是其很多模型過于復雜而導致運算時間過長甚至產(chǎn)生過擬合現(xiàn)象。在股市中,隨著時間的推移,上市公司增多,國內(nèi)經(jīng)濟跟國外聯(lián)系更加緊密,數(shù)據(jù)越來越多,也越來越復雜,預測的難度也隨之增大,出現(xiàn)了量化投資概念。為此現(xiàn)在有很多的學者想辦法將二者結合起來,在保證二者優(yōu)點的同時避免其缺點,然后在量化投資的使用中提高預測的精度。本文首先運用機器學習中集成學習的方法將時間序列中的自回歸模型(AR模型)與門限回歸模型(GRU模型)結合起來,得到AR-GRU模型。并將其運用于2005年1月至2018年7月上證指數(shù)日數(shù)據(jù)中進行學習,然后根據(jù)學習得到的結果對之后的數(shù)據(jù)進行預測,對比真實結果以及預測結果,分析其偏差情況。本文還提出了另一種集成學習模型,將時間序列中移動平均模型(MA模型)與門限回歸模型(GRU模型)集成起來,得到GRU-MA模型。同樣將其運用于2005年1月至2018年7月上證指數(shù)日數(shù)據(jù)中進行學習,然后根據(jù)學習得到的結果對之后的數(shù)據(jù)進行預測,對比真實結果以及預測結果,分析其偏差情況。最后將AR-GRU模型、GRU-MA模型、ARMA模型、GRU模型的預測結果進行對比,得出新模型在預測精度上比原模型均高。
【學位授予單位】：廣西大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：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逡逑代表一個隱藏層節(jié)點，從圖屮我們可以看出，ＬＳＴＭ既可以向細胞狀態(tài)添加信息，逡逑也可以從細胞狀態(tài)刪除信息，為了達到自己的目的，有T需通過一些信息閥門。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】

相關期刊論文 前5條

1 聶淑媛;;時間序列分析的歷史發(fā)展[J];廣西民族大學學報(自然科學版);2012年01期

2 林已杰;賴清;周敏;;基于BP神經(jīng)網(wǎng)絡和馬爾科夫模型的服務器軟件老化預測方法[J];西南師范大學學報(自然科學版);2011年04期

3 朱新國;張展羽;祝卓;;基于改進型BP神經(jīng)網(wǎng)絡馬爾科夫模型的區(qū)域需水量預測[J];水資源保護;2010年02期

4 宋琴;;匯率與股價波動研究——基于中國與日本高頻數(shù)據(jù)的ARCH檢驗[J];經(jīng)濟與管理;2010年03期

5 王義民;于興杰;暢建霞;黃強;;基于BP神經(jīng)網(wǎng)絡馬爾科夫模型的徑流量預測[J];武漢大學學報(工學版);2008年05期

相關博士學位論文 前1條

1 唐黎;金融時間序列預測的信息融合與計算智能模型[D];電子科技大學;2018年

相關碩士學位論文 前10條

1 楊世林;基于聚寬量化投資平臺的股票多因子策略應用[D];浙江大學;2018年

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

3 王雷;多因子模型在我國中小板市場選股研究中的應用[D];武漢紡織大學;2018年

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

5 夏國斌;基于Bagging算法的集成支持向量機在個人信用評級中的應用[D];山東大學;2018年

6 袁亞光;基于金融大數(shù)據(jù)的客戶風險評估及預測[D];北京郵電大學;2018年

7 李家駒;基于集成學習模型的上市公司財務困境判別研究[D];深圳大學;2017年

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

9 劉洋;基于GRU神經(jīng)網(wǎng)絡的時間序列預測研究[D];成都理工大學;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;2016年

本文編號：2726939