在經(jīng)濟全球化、金融一體化的進程中,金融市場出現(xiàn)了很多異�，F(xiàn)象,這些現(xiàn)象是以有效市場假說為基礎的傳統(tǒng)金融理論難以解釋的,進而涌現(xiàn)出行為金融學、分形市場假說等新的理論,金融市場不再是有效市場理論下的理想狀態(tài),眾多研究表明金融市場具有可預測性。金融市場作為一個高度復雜的系統(tǒng),股票市場是其中的重要組成部分,也是經(jīng)濟運行狀況的“晴雨表”。股票市場作為實體企業(yè)融資的渠道,也是眾多投資者自身資源配置的主要渠道之一。股票指數(shù)時間序列是股票市場復雜內(nèi)在特征的綜合外在表現(xiàn),為投資者制定投資策略提供了重要參考,因此對股指序列的預測不僅有利于更好的監(jiān)測和管理與股票市場高度關聯(lián)的金融市場,還能為投資者的投資決策提供有效指導。股指時間序列本身大多數(shù)是非線性的或者說是一個包含有非線性關系的復雜系統(tǒng),并且股票市場的演化日益復雜,傳統(tǒng)的股指預測模型也逐漸演變成只具備理論意義而難以有效地應用于實際市場分析的工具。在快速發(fā)展的人工智能時代,基于深度學習的神經(jīng)網(wǎng)絡,為研究存在多方博弈的極度復雜的股票市場提供了思路。因此,本文構建了經(jīng)驗模態(tài)分析（EMD）、主成分分析（PCA）、深度神經(jīng)網(wǎng)絡（DNN）組合的深度神經(jīng)網(wǎng)絡組合模型（... 

【文章來源】：重慶工商大學重慶市

【文章頁數(shù)】：73 頁

【學位級別】：碩士

【部分圖文】：

滬深300收盤價訓練集然后通過計算不同p,q取值對應的A

重慶工商大學碩士學位論文第四章股指預測模型實證研究39（HR）、MAE、MAPE、RMSE分別為51.54%、94.02、2.47、132.62，如下表4.4：表4.4ARIMA預測收盤價的性能指標MAEMAPERMSEHR（%）ARIMA94．022.47132.6251.544.2.2BPNN模型預測結果BP神經(jīng)網(wǎng)絡中當各神經(jīng)元層輸入神經(jīng)元數(shù)目合適的情況下，在理論上是可以逼近任意復雜的函數(shù)。本文中輸入數(shù)據(jù)數(shù)目以Fibonacci數(shù)列為參考，分別為2、3、5、8、13、21、34、55、89、144個輸入數(shù)據(jù)，從而縮小輸入數(shù)據(jù)數(shù)目搜索范圍；隱含層神經(jīng)元數(shù)目采用逐漸增加的方式從1至12選擇使網(wǎng)絡性能最優(yōu)的隱含層神經(jīng)元數(shù)目；激活函數(shù)選擇Sigmoid函數(shù)。將收盤價直接作為訓練集，將其輸入神經(jīng)網(wǎng)絡，得到收盤價預測值并輸出，結果如表4.5。表4.5不同輸入層、隱含層神經(jīng)元數(shù)目預測命中率（HR）結果（%）隱層輸入數(shù)據(jù)數(shù)目23581321345589144150.1651.9750.4153.2651.0552.6353.4953.6150.6353.33247.8749.4652.8749.8355.5951.3249.7753.0551.2552.38349.8449.3451.2350.8650.3553.0750.7052.5851.8854.29450.1654.6152.0551.2049.6553.7551.1652.0653.7550.48550.8250.3353.2853.6145.4551.7553.0255.1554.3851.43650.4951.6450.8252.5852.4552.1953.9553.6150.6355.24748.8549.0154.5150.6256.7855.7052.5653.0953.7556.19849.1850.0055.3351.8750.8553.9553.0352.0652.5057.14951.4850.6654.9249.1453.8155.2652.0954.6453.1852.381049.8450.6654.1050.8652.9753.9552.5658.4258.1350.481151.1551.3256.1552.2355.0855.2650.2351.0354.3853.331252.1351.6453.2853.2652.1253.9554.8855.6753.1355.75圖4.5不同輸入數(shù)據(jù)數(shù)目BP神經(jīng)網(wǎng)絡預測命中率

重慶工商大學碩士學位論文第四章股指預測模型實證研究46圖4.10EMD取不同IMF層BP神經(jīng)網(wǎng)絡預測HS300收盤價平均命中率從上圖4.10中可以看到當EMD窗口長度為300，IMF層數(shù)為3時，BP神經(jīng)網(wǎng)絡平均命中率最高為71.05%，此時模型預測有最高命中率76.32%，并且對應的性能指標如下：表4.14EMD-PCA-BPNN預測HS300收盤價的性能指標MAEMAPERMSEHR（%）EMD-PCA-BPNN100.272.57120.5476.324.3.4EMD-PCA-DNN預測該模型是EMD方法、PCA方法對股指原始數(shù)據(jù)進行處理后，再用深度神經(jīng)網(wǎng)絡對其進行預測的深度神經(jīng)網(wǎng)絡組合模型。模型（公式3.9）中EMD的窗口寬度以及IMF的層數(shù)選擇以EMD-PCA-BPNN模型為參考。在對EMD-PCA-BPNN模型對股指預測效果的研究中發(fā)現(xiàn)，當選擇EMD窗口寬度為300，IMF序列層數(shù)為3層時，EMD與PCA的組合能夠很好的提取股指數(shù)據(jù)中的特征。另外深度神經(jīng)網(wǎng)絡的隱含層層數(shù)采用逐層增加的方式，從1層增至5層，隱含層神經(jīng)元數(shù)從2到15逐個增加，得到的模型預測命中率（HR）及對應的模型性能指標MAE、MAPE、RMSE的值如下表4.15—表4.17。圖4.11是深度神經(jīng)網(wǎng)絡含有不同隱含層時，組合模型對滬深300股指預測的命中率對應的折線圖，從中可以看出深度神經(jīng)網(wǎng)絡含有1個隱含層，且隱含層神經(jīng)元數(shù)目為11時，組合模型最高命中率為77.95%，從而確定第1隱含層神經(jīng)元數(shù)目為11。采用逐層增加的方式，在第1個隱含層確定的條件下增加第2個隱含層，該層神經(jīng)元數(shù)目為10時，模型有最高命中率為78.05%，因此第2個隱含層得以確定。按照相同的方法分別確定神經(jīng)網(wǎng)絡第3、4、5個隱含層神經(jīng)元數(shù)目分別為9、10、11時模型的最高命中率分別為75%、75.61%、72.73%。對比發(fā)

【參考文獻】：
期刊論文
[1]基于LSTM等深度學習方法的股指預測研究[J]. 李佳,黃之豪,陳冬蘭.  軟件導刊. 2019(09)
[2]中國股票市場收益率的可預測性研究[J]. 蔣志強,田婧雯,周煒星.  管理科學學報. 2019(04)
[3]基于MCMC的SV模型分鐘高頻股指波動率研究[J]. 張艷慧,鄭宇軒,曹顯兵.  數(shù)學的實踐與認識. 2019(06)
[4]FEPA-金融時間序列自適應組合預測模型[J]. 潘和平,張承釗.  中國管理科學. 2018(06)
[5]融資融券交易行為及其收益可預測性研究[J]. 俞紅海,陳百助,蔣振凱,錢儀綽.  管理科學學報. 2018(01)
[6]基于支持向量機的中國股指期貨回歸預測研究[J]. 賽英,張鳳廷,張濤.  中國管理科學. 2013(03)
[7]基于ARIMA模型的滬深300股指期貨價格預測研究[J]. 李戰(zhàn)江,張昊,孫鵬哲,童國超,張志浩.  魯東大學學報(自然科學版). 2013(01)
[8]灰色神經(jīng)網(wǎng)絡在股價預測中的應用研究[J]. 張秋明,朱紅莉.  計算機工程與應用. 2013(12)
[9]中國股票市場可預測性的實證研究[J]. 姜富偉,凃俊,David E.Rapach,Jack K.Strauss,周國富.  金融研究. 2011(09)
[10]基于GARCH模型的上證綜指日收益率波動特征研究[J]. 江河.  西安財經(jīng)學院學報. 2011(05)

博士論文
[1]基于GARCH類模型的股指期貨日內(nèi)波動率研究與預測[D]. 王俊博.哈爾濱工業(yè)大學 2018

碩士論文
[1]基于奇異譜分析的ARMA-SVR模型在股指預測中的應用[D]. 袁金銘.山東大學 2019
[2]基于PCA-SVM-GARCH模型的股價預測[D]. 景秋玉.首都經(jīng)濟貿(mào)易大學 2018
[3]基于SVM的上證50指數(shù)漲跌預測研究[D]. 左飛.安徽大學 2018
[4]基于因子分析的BP神經(jīng)網(wǎng)絡股指預測[D]. 石志成.云南大學 2017
[5]基于噪音及投資者情緒的股價可預測性研究[D]. 張然.北京交通大學 2015
[6]基于ARIMA模型的滬深300指數(shù)預測及期現(xiàn)套利的研究[D]. 盧懷營.蘇州大學 2013
[7]基于隨機波動模型的中國股市波動性實證研究[D]. 徐永坤.復旦大學 2008



本文編號：3002813