在現(xiàn)代社會的經(jīng)濟體制和社會組織中,金融市場都占據(jù)著關鍵的地位。分析和預測金融市場行為,能夠為投資者制定金融計劃和決策提供參考,這樣不僅提高了投資理性程度,降低投資風險,也維護了金融市場的穩(wěn)定性。股價預測是股票投資中提高收益、降低風險的重要手段,也是金融時間序列研究中的重要方向。過去常以ARMA,GARCH等線性時間序列模型進行預測,近幾年隨著機器學習的發(fā)展,各類神經(jīng)網(wǎng)絡越來越多地應用到股價預測中,如SVM,DNN,CNN等。這些算法大都以原始價格序列、技術指標等數(shù)值特征作為模型輸入�？紤]到投資者常采用股價圖形作為決策依據(jù)的情況,如頭肩底、十字星等圖形,同時圖形特征可能包含了數(shù)值特征較難表達的、更豐富的信息。因此,本文提出一種全新的深度學習預測模型,以股價圖形作為輸入的深度殘差網(wǎng)絡(ResNet)。該模型充分利用了深度網(wǎng)絡在圖像上的特征提取能力,提高了模型的預測效果。此外,為充分利用漲跌雙向預測信號,我們基于預測模型實現(xiàn)了股票T+0交易策略,并在真實股票數(shù)據(jù)池進行仿真交易。結果顯示,T+0交易策略相比于BH(買入-持有)策略日收益率更高。在相同的數(shù)據(jù)集上,基于圖形特征的深度殘差網(wǎng)絡模型的...

【文章頁數(shù)】：88 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 研究現(xiàn)狀與應用場景
        1.2.1 線性模型
        1.2.2 支持向量機SVM
        1.2.3 人工神經(jīng)網(wǎng)絡ANN
        1.2.4 遞歸神經(jīng)網(wǎng)絡RNN
        1.2.5 卷積神經(jīng)網(wǎng)絡CNN
    1.3 本文的研究方向及內(nèi)容安排
        1.3.1 論文目標
        1.3.2 論文創(chuàng)新點
        1.3.3 論文內(nèi)容安排
第二章 基本理論
    2.1 SVM
    2.2 DNN
        2.2.1 感知機
        2.2.2 多層感知機(MLP)
        2.2.3 反向傳播算法(BP)
        2.2.4 梯度下降算法(GD)
    2.3 CNN
        2.3.1 CNN網(wǎng)絡結構
        2.3.2 CNN進行分類
    2.4 ResNet
        2.4.1 殘差學習
        2.4.2 快捷連接
        2.4.3 Bottleneck殘差模塊
        2.4.4 批標準化處理
    2.5 股票T+0策略
第三章 股票預測流程
    3.1 股票預測框架
    3.2 數(shù)據(jù)獲取和清洗
    3.3 數(shù)據(jù)預處理
        3.3.1 數(shù)據(jù)清理
        3.3.2 歸一化處理
    3.4 提取特征值
        3.4.1 線性特征
        3.4.2 量價指標
        3.4.3 技術指標特征
        3.4.4 圖形特征
    3.5 提取漲跌標簽
        3.5.1 不平衡分類問題
        3.5.2 設定類別閾值
        3.5.3 樣本集劃分
    3.6 預測模型
        3.6.1 SVM
        3.6.2 DNN
        3.6.3 CNN
        3.6.4 ResNet
    3.7 股票T+O交易策略
第四章 實驗結果與分析
    4.1 實驗數(shù)據(jù)及環(huán)境設置
    4.2 ResNet模型參數(shù)敏感性分析
        4.2.1 評價指標
        4.2.2 網(wǎng)絡層數(shù)
        4.2.3 學習率
        4.2.4 批量大小
        4.2.5 小結
    4.3 與其他論文中模型進行對比
    4.4 與深度學習模型對比
        4.4.1 準確率(ACC)
        4.4.2 召回率(Recall)
        4.4.3 F1值
        4.4.4 特異性(TNR)
        4.4.5 小結
    4.5 交易策略進行回測
        4.5.1 策略評價指標
        4.5.2 實驗結果
    4.6 本章小結
第五章 總結與展望
    5.1 主要工作的總結
    5.2 后續(xù)工作的展望
參考文獻
致謝



本文編號：3959979