隨著人工智能、大數(shù)據(jù)技術(shù)的快速發(fā)展,數(shù)據(jù)挖掘中的機(jī)器學(xué)習(xí)算法、深度學(xué)習(xí)算法在金融領(lǐng)域中的應(yīng)用逐漸興起,雖然數(shù)據(jù)挖掘方法中的傳統(tǒng)統(tǒng)計(jì)方法在處理常規(guī)數(shù)據(jù)時(shí)表現(xiàn)尚可,但是對(duì)于處理海量非正態(tài)、非平穩(wěn)、非線性和高信噪比的金融時(shí)間序列數(shù)據(jù)有一定的局限性。尤其是金融時(shí)間序列蘊(yùn)含的規(guī)律時(shí)效性很強(qiáng)且迭代頻率很高,建立在苛刻的假設(shè)條件下的傳統(tǒng)模型在處理海量復(fù)雜的、動(dòng)態(tài)的金融序列時(shí)顯得捉襟見(jiàn)肘,而在獲得新數(shù)據(jù)后,運(yùn)用數(shù)據(jù)挖掘算法中的機(jī)器學(xué)習(xí)算法和深度學(xué)習(xí)算法,可快速適應(yīng)環(huán)境并挖掘出有價(jià)值的信息,因此在金融時(shí)間序列研究中結(jié)合機(jī)器學(xué)習(xí)算法、深度學(xué)習(xí)算法進(jìn)行探索具有重要實(shí)踐意義。本文使用傳統(tǒng)的時(shí)間序列方法、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法,對(duì)我國(guó)股票市場(chǎng)整體漲幅分級(jí)序列進(jìn)行研究,從序列中挖掘出股市運(yùn)行規(guī)律,并開發(fā)出漲跌熵（advance-decline entropy,ADE）指數(shù),這對(duì)于量化股市漲跌的不確定度、把握股市情緒以及指導(dǎo)投資決策具有重要的理論和現(xiàn)實(shí)意義。本文探索出適用于中國(guó)股市不同漲跌序列的預(yù)測(cè)模型,在量化擇時(shí)、規(guī)避投資風(fēng)險(xiǎn)以及未來(lái)投資決策方面都具有重要的參考價(jià)值。本文使用多種時(shí)間序列方法研究中國(guó)股市的運(yùn)行規(guī)律... 

【文章來(lái)源】：江西財(cái)經(jīng)大學(xué)江西省

【文章頁(yè)數(shù)】：77 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景與研究意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國(guó)內(nèi)外研究綜述
    1.3 研究?jī)?nèi)容及技術(shù)路線
        1.3.1 研究思路
        1.3.2 研究方法
        1.3.3 研究路線
    1.4 論文的創(chuàng)新與不足
第2章 理論基礎(chǔ)
    2.1 數(shù)據(jù)挖掘概述
        2.1.1 分類模型
        2.1.2 回歸模型
        2.1.3 信息熵理論
    2.2 金融時(shí)間序列相關(guān)理論
        2.2.1 漲跌熵指數(shù)
        2.2.2 股市日歷效應(yīng)概述
        2.2.3 股市周期概述
        2.2.4 時(shí)間序列相關(guān)理論
        2.2.5 自回歸條件異方差
    2.3 基于數(shù)據(jù)挖掘的時(shí)間序列數(shù)據(jù)研究方法
        2.3.1 數(shù)據(jù)挖掘技術(shù)之時(shí)間序列周期模式挖掘
        2.3.2 數(shù)據(jù)挖掘技術(shù)之時(shí)間序列預(yù)測(cè)方法
第3章 中國(guó)股票市場(chǎng)漲跌序列規(guī)律研究
    3.1 數(shù)據(jù)來(lái)源及處理
    3.2 中國(guó)股票市場(chǎng)漲跌序列日歷效應(yīng)研究
        3.2.1 中國(guó)股市漲跌序列統(tǒng)計(jì)分析
        3.2.2 中國(guó)股市漲跌序列月份效應(yīng)實(shí)證分析
        3.2.3 中國(guó)股市漲跌序列星期效應(yīng)實(shí)證分析
    3.3 中國(guó)股票市場(chǎng)漲跌序列周期性實(shí)證研究
    3.4 本章小結(jié)
第4章 中國(guó)股票市場(chǎng)漲跌序列概率預(yù)測(cè)研究
    4.1 基于自回歸移動(dòng)平均的預(yù)測(cè)分析
    4.2 基于機(jī)器學(xué)習(xí)算法的預(yù)測(cè)分析
    4.3 基于深度學(xué)習(xí)算法的預(yù)測(cè)分析
    4.4 模型對(duì)比分析
第5章 結(jié)論與展望
    5.1 結(jié)論
    5.2 展望
參考文獻(xiàn)
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于多尺度層級(jí)LSTM網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)分析[J]. 張旭東,杜家浩,黃宇方,石東賢,繆永偉.  計(jì)算機(jī)科學(xué). 2019(S2)
[2]深圳股市日歷效應(yīng)的實(shí)證研究[J]. 謝世清,朱倩瑜.  商業(yè)研究. 2019(09)
[3]基于樹結(jié)構(gòu)長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的金融時(shí)間序列預(yù)測(cè)[J]. 姚小強(qiáng),侯志森.  計(jì)算機(jī)應(yīng)用. 2018(11)
[4]SDAE-LSTM模型在金融時(shí)間序列預(yù)測(cè)中的應(yīng)用[J]. 黃婷婷,余磊.  計(jì)算機(jī)工程與應(yīng)用. 2019(01)
[5]基于深度學(xué)習(xí)和股票論壇數(shù)據(jù)的股市波動(dòng)率預(yù)測(cè)精度研究[J]. 陳衛(wèi)華,徐國(guó)祥.  管理世界. 2018(01)
[6]基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的故障時(shí)間序列預(yù)測(cè)[J]. 王鑫,吳際,劉超,楊海燕,杜艷麗,牛文生.  北京航空航天大學(xué)學(xué)報(bào). 2018(04)
[7]深度學(xué)習(xí)的金融實(shí)證應(yīng)用:動(dòng)態(tài)、貢獻(xiàn)與展望[J]. 蘇治,盧曼,李德軒.  金融研究. 2017(05)
[8]基于譜分析的中國(guó)科技創(chuàng)新與經(jīng)濟(jì)增長(zhǎng)周期波動(dòng)關(guān)系[J]. 閆中曉,賈永飛.  科技管理研究. 2016(09)
[9]使用隨機(jī)森林算法實(shí)現(xiàn)優(yōu)質(zhì)股票的選擇[J]. 曹正鳳,紀(jì)宏,謝邦昌.  首都經(jīng)濟(jì)貿(mào)易大學(xué)學(xué)報(bào). 2014(02)
[10]中國(guó)金融狀況指數(shù)的構(gòu)建及預(yù)測(cè)能力研究[J]. 徐國(guó)祥,鄭雯.  統(tǒng)計(jì)研究. 2013(08)

博士論文
[1]譜聚類方法研究及其在金融時(shí)間序列數(shù)據(jù)挖掘中的應(yīng)用[D]. 蘇木亞.大連理工大學(xué) 2011
[2]時(shí)間序列相空間重構(gòu)數(shù)據(jù)挖掘方法及其在證券市場(chǎng)的應(yīng)用[D]. 陳佐.湖南大學(xué) 2007

碩士論文
[1]基于小波分析和ARMA-SVM模型的股票指數(shù)預(yù)測(cè)分析[D]. 丁玲娟.華東師范大學(xué) 2012
[2]基于數(shù)據(jù)挖掘技術(shù)的證券投資研究[D]. 蔡庭錕.武漢理工大學(xué) 2010
[3]基于數(shù)據(jù)挖掘的股票數(shù)據(jù)分析[D]. 張建軍.中國(guó)石油大學(xué) 2010
[4]數(shù)據(jù)挖掘技術(shù)在證券分析中的研究及應(yīng)用[D]. 丁廉業(yè).西南財(cái)經(jīng)大學(xué) 2009
[5]基于數(shù)據(jù)挖掘的金融時(shí)間序列預(yù)測(cè)分析與研究[D]. 裴雙喜.大連海事大學(xué) 2008
[6]基于數(shù)據(jù)挖掘的金融預(yù)測(cè)模型[D]. 熊騰科.廈門大學(xué) 2006
[7]基于數(shù)據(jù)挖掘的股票分析與預(yù)測(cè)研究[D]. 趙永進(jìn).鄭州大學(xué) 2005



本文編號(hào)：2975435