發(fā)布時(shí)間：2021-10-14 09:20

　　價(jià)格作為投資交易的關(guān)鍵,價(jià)格的走勢關(guān)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(jià)格走勢的預(yù)測研究一直是金融投資領(lǐng)域的研究重點(diǎn)。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(jià)格的預(yù)測研究也越來越多。并且深度學(xué)習(xí)方法作為先進(jìn)的人工智能技術(shù)已廣泛運(yùn)用于金融領(lǐng)域,因此本文結(jié)合深度學(xué)習(xí)方法對商品期貨價(jià)格進(jìn)行了預(yù)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(xué)習(xí)方法中相關(guān)模型的理論知識,結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（CNN）能夠有效提取特征以及門控循環(huán)單元網(wǎng)絡(luò)（GRU）能夠快速并準(zhǔn)確處理時(shí)序數(shù)據(jù)的特性,構(gòu)建了CNN-GRU組合神經(jīng)網(wǎng)絡(luò)模型,并且分別運(yùn)用該組合模型和單一的CNN、GRU神經(jīng)網(wǎng)絡(luò)模型對滬銅、豆粕和PTA三個(gè)期貨品種的價(jià)格進(jìn)行了預(yù)測,結(jié)果顯示CNN-GRU組合神經(jīng)網(wǎng)絡(luò)模型的預(yù)測準(zhǔn)確率最高,表明該組合模型構(gòu)建成功且具有顯著的優(yōu)越性。其次,為了提高商品期貨價(jià)格預(yù)測的準(zhǔn)確性,本文擬在模型輸入特征中加入技術(shù)分析指標(biāo)和基本面因素指標(biāo),但這首先需要對商品期貨市場的有效性進(jìn)行研究。因此本文通過運(yùn)用自相關(guān)檢驗(yàn)、GARCH模型對滬銅、豆粕、PTA期貨市場有效性進(jìn)行了實(shí)證研究,結(jié)果... 

【文章來源】：北方工業(yè)大學(xué)北京市

【文章頁數(shù)】：61 頁

【學(xué)位級別】：碩士

【部分圖文】：

卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

第二章CNN-GRU模型的構(gòu)建和診斷8獻(xiàn)中被稱為感受野。卷積核在提取有效特征時(shí)，會對數(shù)據(jù)特征進(jìn)行有規(guī)律的掃描，在感受區(qū)域中對輸入的特征進(jìn)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(yīng)特征圖的像素，K為特征圖的通道數(shù)，f、0和p分別對應(yīng)卷積核的大孝卷積移動步長（stride）、和填充(padding)層數(shù)，這三個(gè)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(jìn)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(dāng)p為1時(shí)，模型為均值池化，當(dāng)p趨向無窮大時(shí)，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(jìn)行最后的分類。2.1.2循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）是在前饋神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上加入了時(shí)間的循環(huán)，即隱藏層中的神經(jīng)元同時(shí)接收到了上一時(shí)刻神經(jīng)元的信息輸出和本時(shí)刻的信息的輸入，接收到的信息有了時(shí)序的特征，確保了輸入的信息能夠發(fā)揮持久的作用，同時(shí)使模型具備了一定的記憶力，適用于處理時(shí)間序列的研究問題。圖2-2循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)展開

第二章CNN-GRU模型的構(gòu)建和診斷10（5）結(jié)合計(jì)算出的梯度值，對參數(shù)值進(jìn)行更新。2.1.3門控循環(huán)單元（GRU）門控循環(huán)單元網(wǎng)絡(luò)（GRU）是長短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）的變形。長短期記憶神經(jīng)網(wǎng)絡(luò)的提出是為了解決循環(huán)神經(jīng)網(wǎng)絡(luò)在模型訓(xùn)練時(shí)，存在誤差反向傳播過程中的梯度消失問題，梯度消失導(dǎo)致模型在運(yùn)算過程中對時(shí)間間隔比較長的信息的記憶性變差。LSTM神經(jīng)網(wǎng)絡(luò)能夠?qū)哂虚L期依賴性的數(shù)據(jù)進(jìn)行更為準(zhǔn)確的建模，使最終的預(yù)測結(jié)果更為精確。長短期記憶神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)是在循環(huán)神經(jīng)網(wǎng)絡(luò)的鏈?zhǔn)浇Y(jié)構(gòu)上進(jìn)行改進(jìn)，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(luò)循環(huán)結(jié)構(gòu)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(xiàn)】：
期刊論文
[1]投資者情緒對商品期貨價(jià)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(xué)習(xí)算法的高頻交易策略及其盈利能力[J]. 孫達(dá)昌,畢秀春.  中國科學(xué)技術(shù)大學(xué)學(xué)報(bào). 2018(11)
[3]GRU遞歸神經(jīng)網(wǎng)絡(luò)對股票收盤價(jià)的預(yù)測研究[J]. 黎鐳,陳藹祥,李偉書,梁偉琪,楊思桐.  計(jì)算機(jī)與現(xiàn)代化. 2018(11)
[4]基于EEMD-LSTM-Adaboost的商品價(jià)格預(yù)測[J]. 邸浩,趙學(xué)軍,張自力.  統(tǒng)計(jì)與決策. 2018(13)
[5]技術(shù)指標(biāo)能夠預(yù)測商品期貨價(jià)格嗎?來自中國的證據(jù)[J]. 尹力博,楊清元,韓立巖.  管理科學(xué)學(xué)報(bào). 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(xué)軍,張自力.  南方金融. 2018(08)
[7]金融投機(jī)、實(shí)需與國際大宗商品價(jià)格——信息摩擦視角下的大宗商品價(jià)格影響機(jī)制研究[J]. 劉璐,張翔,王海全.  金融研究. 2018(04)
[8]宏觀經(jīng)濟(jì)與商品期貨價(jià)格:因子構(gòu)建及關(guān)聯(lián)分析[J]. 郭凈,周亮,肖堅(jiān).  金融與經(jīng)濟(jì). 2018(03)
[9]商品期貨高頻交易價(jià)格趨勢實(shí)證分析——以黃金期貨市場為例[J]. 胡波.  價(jià)格理論與實(shí)踐. 2018(01)
[10]基于SSA-ELM的大宗商品價(jià)格預(yù)測研究[J]. 王玨,齊琛,李明芳.  系統(tǒng)工程理論與實(shí)踐. 2017(08)



本文編號：3435884