基于深度學習方法的商品期貨價格預測研究
發(fā)布時間：2021-10-14 09:20
價格作為投資交易的關鍵,價格的走勢關系到市場的良好發(fā)展以及廣大投資者的切身利益,因此針對價格走勢的預測研究一直是金融投資領域的研究重點。隨著大宗商品期貨在金融市場地位的逐漸提高,針對商品期貨價格的預測研究也越來越多。并且深度學習方法作為先進的人工智能技術已廣泛運用于金融領域,因此本文結合深度學習方法對商品期貨價格進行了預測研究,以期為投資者的投資交易提供一定的借鑒。本文首先梳理了深度學習方法中相關模型的理論知識,結合卷積神經網(wǎng)絡（CNN）能夠有效提取特征以及門控循環(huán)單元網(wǎng)絡（GRU）能夠快速并準確處理時序數(shù)據(jù)的特性,構建了CNN-GRU組合神經網(wǎng)絡模型,并且分別運用該組合模型和單一的CNN、GRU神經網(wǎng)絡模型對滬銅、豆粕和PTA三個期貨品種的價格進行了預測,結果顯示CNN-GRU組合神經網(wǎng)絡模型的預測準確率最高,表明該組合模型構建成功且具有顯著的優(yōu)越性。其次,為了提高商品期貨價格預測的準確性,本文擬在模型輸入特征中加入技術分析指標和基本面因素指標,但這首先需要對商品期貨市場的有效性進行研究。因此本文通過運用自相關檢驗、GARCH模型對滬銅、豆粕、PTA期貨市場有效性進行了實證研究,結果...
【文章來源】：北方工業(yè)大學北京市
【文章頁數(shù)】：61 頁
【學位級別】：碩士
【部分圖文】：
卷積神經網(wǎng)絡結構
第二章CNN-GRU模型的構建和診斷8獻中被稱為感受野。卷積核在提取有效特征時，會對數(shù)據(jù)特征進行有規(guī)律的掃描，在感受區(qū)域中對輸入的特征進行矩陣元素乘法并疊加偏差量。其公式如下：+1(,)=[](,)+=∑∑∑[(0+,0+)+1(,)]+=1=1=1(,)∈{0,1,…+1}+1=+20+1(2-1)其中+1和分別為第l+1層卷積的輸出和輸入，其也被稱為特征圖（featuremap）,+1代表+1的尺寸，Z(i,j)是對應特征圖的像素，K為特征圖的通道數(shù)，f、0和p分別對應卷積核的大孝卷積移動步長（stride）、和填充(padding)層數(shù)，這三個參數(shù)共同決定了卷積層輸出特征圖的尺寸。池化層主要是對卷積層輸出的特征圖進行特征壓縮，降低特征向量的維度，常用的池化模型為最大池化（maxpooling）和均值池化（averagepooling）,其公式如下：(,)=[∑∑(0+,0+)=1=1]1(2-2)其中0為移動的步長，（i,j）為特征圖的像素，p為指定參數(shù)，當p為1時，模型為均值池化，當p趨向無窮大時，模型為最大池化。全連接層主要對卷積層和池化層提取的特征進行最后的分類。2.1.2循環(huán)神經網(wǎng)絡（RNN）循環(huán)神經網(wǎng)絡（RNN）是在前饋神經網(wǎng)絡的基礎上加入了時間的循環(huán)，即隱藏層中的神經元同時接收到了上一時刻神經元的信息輸出和本時刻的信息的輸入，接收到的信息有了時序的特征，確保了輸入的信息能夠發(fā)揮持久的作用，同時使模型具備了一定的記憶力，適用于處理時間序列的研究問題。圖2-2循環(huán)神經網(wǎng)絡結構展開
第二章CNN-GRU模型的構建和診斷10（5）結合計算出的梯度值，對參數(shù)值進行更新。2.1.3門控循環(huán)單元（GRU）門控循環(huán)單元網(wǎng)絡（GRU）是長短期記憶神經網(wǎng)絡（LSTM）的變形。長短期記憶神經網(wǎng)絡的提出是為了解決循環(huán)神經網(wǎng)絡在模型訓練時，存在誤差反向傳播過程中的梯度消失問題，梯度消失導致模型在運算過程中對時間間隔比較長的信息的記憶性變差。LSTM神經網(wǎng)絡能夠對具有長期依賴性的數(shù)據(jù)進行更為準確的建模，使最終的預測結果更為精確。長短期記憶神經網(wǎng)絡的結構是在循環(huán)神經網(wǎng)絡的鏈式結構上進行改進，在隱藏層中加入了處理輸入信息的門，分別為遺忘門、輸入門和輸出門。如下圖：圖2-3LSTM網(wǎng)絡循環(huán)結構圖2-4(a)為遺忘門，(b)為輸入門，(c)為更新單元狀態(tài)，(d)輸出門
【參考文獻】：
期刊論文
[1]投資者情緒對商品期貨價格及波動率的影響研究——以螺紋鋼期貨為例[J]. 周亮. 武漢金融. 2019(06)
[2]基于深度學習算法的高頻交易策略及其盈利能力[J]. 孫達昌,畢秀春. 中國科學技術大學學報. 2018(11)
[3]GRU遞歸神經網(wǎng)絡對股票收盤價的預測研究[J]. 黎鐳,陳藹祥,李偉書,梁偉琪,楊思桐. 計算機與現(xiàn)代化. 2018(11)
[4]基于EEMD-LSTM-Adaboost的商品價格預測[J]. 邸浩,趙學軍,張自力. 統(tǒng)計與決策. 2018(13)
[5]技術指標能夠預測商品期貨價格嗎?來自中國的證據(jù)[J]. 尹力博,楊清元,韓立巖. 管理科學學報. 2018(06)
[6]基于LSTM-Adaboost模型的商品期貨投資策略研究[J]. 邸浩,趙學軍,張自力. 南方金融. 2018(08)
[7]金融投機、實需與國際大宗商品價格——信息摩擦視角下的大宗商品價格影響機制研究[J]. 劉璐,張翔,王海全. 金融研究. 2018(04)
[8]宏觀經濟與商品期貨價格:因子構建及關聯(lián)分析[J]. 郭凈,周亮,肖堅. 金融與經濟. 2018(03)
[9]商品期貨高頻交易價格趨勢實證分析——以黃金期貨市場為例[J]. 胡波. 價格理論與實踐. 2018(01)
[10]基于SSA-ELM的大宗商品價格預測研究[J]. 王玨,齊琛,李明芳. 系統(tǒng)工程理論與實踐. 2017(08)
本文編號：3435884
【文章來源】：北方工業(yè)大學北京市
【文章頁數(shù)】：61 頁
【學位級別】：碩士
【部分圖文】：
卷積神經網(wǎng)絡結構
第二章CNN-GRU模型的構建和診斷8獻中被稱為感受野。卷積核在提取有效特征時，會對數(shù)據(jù)特征進行有規(guī)律的掃描，在感受區(qū)域中對輸入的特征進行矩陣元素乘法并疊加偏差量。其公式如下：+1(,)=[](,)+=∑∑∑[(0+,0+)+1(,)]+=1=1=1(,)∈{0,1,…+1}+1=+20+1(2-1)其中+1和分別為第l+1層卷積的輸出和輸入，其也被稱為特征圖（featuremap）,+1代表+1的尺寸，Z(i,j)是對應特征圖的像素，K為特征圖的通道數(shù)，f、0和p分別對應卷積核的大孝卷積移動步長（stride）、和填充(padding)層數(shù)，這三個參數(shù)共同決定了卷積層輸出特征圖的尺寸。池化層主要是對卷積層輸出的特征圖進行特征壓縮，降低特征向量的維度，常用的池化模型為最大池化（maxpooling）和均值池化（averagepooling）,其公式如下：(,)=[∑∑(0+,0+)=1=1]1(2-2)其中0為移動的步長，（i,j）為特征圖的像素，p為指定參數(shù)，當p為1時，模型為均值池化，當p趨向無窮大時，模型為最大池化。全連接層主要對卷積層和池化層提取的特征進行最后的分類。2.1.2循環(huán)神經網(wǎng)絡（RNN）循環(huán)神經網(wǎng)絡（RNN）是在前饋神經網(wǎng)絡的基礎上加入了時間的循環(huán)，即隱藏層中的神經元同時接收到了上一時刻神經元的信息輸出和本時刻的信息的輸入，接收到的信息有了時序的特征，確保了輸入的信息能夠發(fā)揮持久的作用，同時使模型具備了一定的記憶力，適用于處理時間序列的研究問題。圖2-2循環(huán)神經網(wǎng)絡結構展開
第二章CNN-GRU模型的構建和診斷10（5）結合計算出的梯度值，對參數(shù)值進行更新。2.1.3門控循環(huán)單元（GRU）門控循環(huán)單元網(wǎng)絡（GRU）是長短期記憶神經網(wǎng)絡（LSTM）的變形。長短期記憶神經網(wǎng)絡的提出是為了解決循環(huán)神經網(wǎng)絡在模型訓練時，存在誤差反向傳播過程中的梯度消失問題，梯度消失導致模型在運算過程中對時間間隔比較長的信息的記憶性變差。LSTM神經網(wǎng)絡能夠對具有長期依賴性的數(shù)據(jù)進行更為準確的建模，使最終的預測結果更為精確。長短期記憶神經網(wǎng)絡的結構是在循環(huán)神經網(wǎng)絡的鏈式結構上進行改進，在隱藏層中加入了處理輸入信息的門，分別為遺忘門、輸入門和輸出門。如下圖：圖2-3LSTM網(wǎng)絡循環(huán)結構圖2-4(a)為遺忘門，(b)為輸入門，(c)為更新單元狀態(tài)，(d)輸出門
【參考文獻】：
期刊論文
[1]投資者情緒對商品期貨價格及波動率的影響研究——以螺紋鋼期貨為例[J]. 周亮. 武漢金融. 2019(06)
[2]基于深度學習算法的高頻交易策略及其盈利能力[J]. 孫達昌,畢秀春. 中國科學技術大學學報. 2018(11)
[3]GRU遞歸神經網(wǎng)絡對股票收盤價的預測研究[J]. 黎鐳,陳藹祥,李偉書,梁偉琪,楊思桐. 計算機與現(xiàn)代化. 2018(11)
[4]基于EEMD-LSTM-Adaboost的商品價格預測[J]. 邸浩,趙學軍,張自力. 統(tǒng)計與決策. 2018(13)
[5]技術指標能夠預測商品期貨價格嗎?來自中國的證據(jù)[J]. 尹力博,楊清元,韓立巖. 管理科學學報. 2018(06)
[6]基于LSTM-Adaboost模型的商品期貨投資策略研究[J]. 邸浩,趙學軍,張自力. 南方金融. 2018(08)
[7]金融投機、實需與國際大宗商品價格——信息摩擦視角下的大宗商品價格影響機制研究[J]. 劉璐,張翔,王海全. 金融研究. 2018(04)
[8]宏觀經濟與商品期貨價格:因子構建及關聯(lián)分析[J]. 郭凈,周亮,肖堅. 金融與經濟. 2018(03)
[9]商品期貨高頻交易價格趨勢實證分析——以黃金期貨市場為例[J]. 胡波. 價格理論與實踐. 2018(01)
[10]基于SSA-ELM的大宗商品價格預測研究[J]. 王玨,齊琛,李明芳. 系統(tǒng)工程理論與實踐. 2017(08)
本文編號：3435884
本文鏈接：http://sikaile.net/jingjilunwen/qihuoqq/3435884.html
