隨著經(jīng)濟(jì)發(fā)展,證券市場(chǎng)在市場(chǎng)經(jīng)濟(jì)中的地位愈發(fā)凸顯,它既能為企業(yè)提供充足的現(xiàn)金流,又能滿足投資者對(duì)于高收益的要求。因此對(duì)證券市場(chǎng)趨勢(shì)的預(yù)測(cè)非常重要,有效的預(yù)測(cè)能夠讓國(guó)家、企業(yè)和投資者的各項(xiàng)舉措更具前瞻性,使大家能夠更好地利用積極趨勢(shì)、更好的應(yīng)對(duì)消極走向。本文首先總結(jié)了金融預(yù)測(cè)技術(shù)發(fā)展的三個(gè)階段,分析了用于預(yù)測(cè)金融時(shí)間序列的傳統(tǒng)方法。在傳統(tǒng)預(yù)測(cè)模型存在瓶頸和缺陷的背景下,本文引入了人工智能語音分析領(lǐng)域的深度學(xué)習(xí)模型,通過添加恒等映射將普通卷積神經(jīng)網(wǎng)絡(luò)的卷積層改為了殘差元結(jié)構(gòu),并利用空洞卷積擴(kuò)大了模型的感受域,最終構(gòu)造出了專門用于金融預(yù)測(cè)的WaveNet條件時(shí)序卷積模型。在模型輸入方面,為了提高輸入數(shù)據(jù)的質(zhì)量,保證信息的全面性,本文綜合分析了對(duì)證券市場(chǎng)未來走勢(shì)存在影響的各方面因素,將這些因素分為了市場(chǎng)交易情況、宏觀政治經(jīng)濟(jì)因素、其他金融產(chǎn)品市場(chǎng)行情、其他國(guó)家證券市場(chǎng)行情和投資者信心等五個(gè)大類,并利用Wind金融資訊平臺(tái)從中篩選出了14個(gè)上證綜指收益率預(yù)測(cè)的條件變量。在實(shí)證預(yù)測(cè)研究中,本文模型取得了良好的預(yù)測(cè)效果;根據(jù)本文模型進(jìn)行的真實(shí)市場(chǎng)交易也取得了不錯(cuò)的收益。另外,本文還從行為金融學(xué)理論入... 

【文章來源】：蘭州大學(xué)甘肅省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：66 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
中文摘要
Abstract
第一章 緒論
    1.1 研究背景
    1.2 文獻(xiàn)綜述
    1.3 研究?jī)?nèi)容與章節(jié)安排
    1.4 創(chuàng)新所在
第二章 金融時(shí)間序列預(yù)測(cè)的經(jīng)典模型
    2.1 時(shí)間序列模型
        2.1.1 時(shí)間序列模型
            2.1.1.1 自相關(guān)性
            2.1.1.2 平穩(wěn)性
        2.1.2 AR自回歸模型
        2.1.3 MA移動(dòng)平均模型
        2.1.4 ARMA自回歸移動(dòng)平均模型
    2.2 BP神經(jīng)網(wǎng)絡(luò)
    2.3 SVM支持向量機(jī)
        2.3.1 核函數(shù)與損失函數(shù)
        2.3.2 經(jīng)驗(yàn)風(fēng)險(xiǎn)、期望風(fēng)險(xiǎn)與結(jié)構(gòu)風(fēng)險(xiǎn)
        2.3.3 支持向量回歸模型
    2.4 深度循環(huán)神經(jīng)網(wǎng)絡(luò)
        2.4.1 Vanilla循環(huán)神經(jīng)網(wǎng)絡(luò)
        2.4.2 LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)
第三章 WaveNet條件時(shí)序卷積模型的搭建
    3.1 理論基礎(chǔ)
        3.1.1 卷積神經(jīng)網(wǎng)絡(luò)
            3.1.1.1 卷積層
            3.1.1.2 池化層
        3.1.2 空洞卷積
        3.1.3 殘差網(wǎng)絡(luò)
    3.2 模型搭建
        3.2.1 WaveNet
        3.2.2 WaveNet條件時(shí)序卷積模型
第四章 上證綜指影響因素分析與條件時(shí)序構(gòu)造
    4.1 上證綜指影響因素分析
        4.1.1 上海證券交易所的交易統(tǒng)計(jì)
        4.1.2 國(guó)內(nèi)宏觀經(jīng)濟(jì)政策對(duì)中國(guó)證券市場(chǎng)的影響因素
        4.1.3 國(guó)內(nèi)債券、基金、外匯三市對(duì)中國(guó)證券市場(chǎng)的影響因素
        4.1.4 國(guó)際證券市場(chǎng)對(duì)中國(guó)證券市場(chǎng)的影響因素
        4.1.5 市場(chǎng)信心指數(shù)
    4.2 條件時(shí)序的構(gòu)造
第五章 上證綜指收益率的預(yù)測(cè)分析及多種方法的實(shí)證比較
    5.1 研究環(huán)境
    5.2 評(píng)價(jià)指標(biāo)
    5.3 基于WaveNet條件時(shí)序卷積模型的月收益率預(yù)測(cè)
        5.3.1 月收益率的自回歸式預(yù)測(cè)
        5.3.2 月收益率的條件時(shí)序預(yù)測(cè)
    5.4 預(yù)測(cè)結(jié)果的實(shí)證比較
        5.4.1 自回歸序列與條件時(shí)間序列的預(yù)測(cè)比較
        5.4.2 WaveNet條件時(shí)序卷積模型與SVM模型、LSTM模型的月收益率預(yù)測(cè)比較
第六章 總結(jié)與展望
    6.1 本文總結(jié)
    6.2 相關(guān)研究展望
參考文獻(xiàn)
致謝


【參考文獻(xiàn)】：
期刊論文
[1]中國(guó)A股市場(chǎng)個(gè)股收益影響因素的實(shí)證分析[J]. 周孝華,傅能普.  技術(shù)經(jīng)濟(jì). 2013(08)
[2]我國(guó)股市中高與低市盈率股票收益率的實(shí)證分析[J]. 王磊.  金融理論與教學(xué). 2011(04)
[3]多項(xiàng)式與SVM預(yù)測(cè)模型的理論分析及應(yīng)用比較[J]. 孫林,楊世元.  合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2008(09)
[4]支持向量機(jī)在股票價(jià)格預(yù)測(cè)中的應(yīng)用[J]. 張玉川,張作泉.  北京交通大學(xué)學(xué)報(bào). 2007(06)
[5]基于GARCH-BP模型的股指預(yù)測(cè)及實(shí)證分析[J]. 陳卓雷,蔣寒迪.  當(dāng)代財(cái)經(jīng). 2006(06)
[6]中國(guó)采購經(jīng)理指數(shù)（CFLP-PMI）的研究與應(yīng)用[J]. 尤建新.  中國(guó)科技論壇. 2006(06)
[7]應(yīng)用ARCH模型對(duì)中國(guó)股市波動(dòng)性的實(shí)證分析[J]. 曹偉龍.  世界經(jīng)濟(jì)情況. 2006(01)
[8]統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)在過程控制中的應(yīng)用[J]. 王華忠,俞金壽.  化工自動(dòng)化及儀表. 2004(05)
[9]我國(guó)國(guó)債市場(chǎng)當(dāng)前存在的問題及其對(duì)策分析[J]. 郭濟(jì)敏.  河南金融管理干部學(xué)院學(xué)報(bào). 2003(03)
[10]基于小波包和神經(jīng)網(wǎng)絡(luò)的股票價(jià)格預(yù)測(cè)模型[J]. 常松,何建敏.  中國(guó)管理科學(xué). 2001(05)

碩士論文
[1]基于LSTM神經(jīng)網(wǎng)絡(luò)的美股股指價(jià)格趨勢(shì)預(yù)測(cè)模型的研究[D]. 孫瑞奇.首都經(jīng)濟(jì)貿(mào)易大學(xué) 2016



本文編號(hào)：3032393