隨著計算機技術(shù)的穩(wěn)步發(fā)展,機器學(xué)習、人工智能等技術(shù)也開始嶄露頭角。近年來,這些技術(shù)的應(yīng)用范圍除計算機領(lǐng)域,更是被應(yīng)用到金融、醫(yī)學(xué)等研究領(lǐng)域。這也給其他領(lǐng)域原有的一些研究方法帶來了一定的機遇和挑戰(zhàn),但同時也能夠用這些技術(shù)和方法解決以往不能克服的難題。比如在金融領(lǐng)域,尤其是量化交易者們更是對深度學(xué)習等技術(shù)趨之若鶩。因為從本質(zhì)上來講,深度學(xué)習和傳統(tǒng)的統(tǒng)計學(xué)模型一樣,都是不同的數(shù)學(xué)模型在一種特定場景下的應(yīng)用,可謂萬變不離其宗。深度學(xué)習在金融領(lǐng)域的應(yīng)用多集中于股票市場價格和趨勢的研究。這是由于一般的股價時間序列數(shù)據(jù)由線性和非線性兩個組成部分,傳統(tǒng)的模型對其非線性部分的處理具有一定局限性,深度學(xué)習的應(yīng)用正好是對傳統(tǒng)模型的補充�；诖�,利用線性和非線性相結(jié)合的預(yù)測模型,即ARIMA-LSTM混合模型對標普500股價相關(guān)系數(shù)進行預(yù)測,以期能夠幫助投資者理性分析投資目標,做出合理投資決策,對促進股票市場的健康發(fā)展具有重要意義。本文選取2010年1月1日至2019年12月31日紐約交易所每個日度交易數(shù)據(jù)作為研究樣本,利用ARIMA模型及LSTM模型對樣本區(qū)間后10%股票序列未來趨勢進行預(yù)測,再利用ARIM... 

【文章來源】：西南科技大學(xué)四川省

【文章頁數(shù)】：55 頁

【學(xué)位級別】：碩士

【部分圖文】：

RNN神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

西南科技大學(xué)碩士學(xué)位論文22圖3-4RNN神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)=（Wf×[ht1,xt]+bf）（3-12）在圖3-5中用相同符號表示的函數(shù)是激活函數(shù)，通常稱為sigmoid激活函數(shù)，用以啟用模型的非線性功能。圖3-5LSTM神經(jīng)網(wǎng)絡(luò)存儲細胞內(nèi)部結(jié)構(gòu)σ(X)=1+（3-13）在下一階段中，輸入門和輸入候選門共同作用以生成新的單元狀態(tài)，該狀態(tài)將作為更新的單元狀態(tài)傳遞到下一時間步。輸入門使用sigmond函數(shù)作為激活函數(shù)，輸入候選門則選擇tanh函數(shù)為函數(shù)，并輸出和。用以選擇Ct中的哪個特征應(yīng)反映到新的單元狀態(tài)中。=(×[1,]+)（3-14）=tanh(×[1,]+)（3-15）tanh函數(shù)，是雙曲正切函數(shù)。與sigmond函數(shù)不同的是，sigmond函數(shù)輸出值介于0和1之間的值，而tanh輸出則介于-1和1之間。

西南科技大學(xué)碩士學(xué)位論文22圖3-4RNN神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)=（Wf×[ht1,xt]+bf）（3-12）在圖3-5中用相同符號表示的函數(shù)是激活函數(shù)，通常稱為sigmoid激活函數(shù)，用以啟用模型的非線性功能。圖3-5LSTM神經(jīng)網(wǎng)絡(luò)存儲細胞內(nèi)部結(jié)構(gòu)σ(X)=1+（3-13）在下一階段中，輸入門和輸入候選門共同作用以生成新的單元狀態(tài)，該狀態(tài)將作為更新的單元狀態(tài)傳遞到下一時間步。輸入門使用sigmond函數(shù)作為激活函數(shù)，輸入候選門則選擇tanh函數(shù)為函數(shù)，并輸出和。用以選擇Ct中的哪個特征應(yīng)反映到新的單元狀態(tài)中。=(×[1,]+)（3-14）=tanh(×[1,]+)（3-15）tanh函數(shù)，是雙曲正切函數(shù)。與sigmond函數(shù)不同的是，sigmond函數(shù)輸出值介于0和1之間的值，而tanh輸出則介于-1和1之間。

【參考文獻】：
期刊論文
[1]基于跟蹤微分器的泰勒展開與ARIMA混合模型對股票價格的短期預(yù)測[J]. 羅志丹,劉英,郭偉.  數(shù)學(xué)的實踐與認識. 2019(23)
[2]基于ARIMA模型、灰色模型和回歸模型的預(yù)測比較[J]. 李志超,劉升.  統(tǒng)計與決策. 2019(23)
[3]股票價格與人民幣匯率的聯(lián)動性分析——基于Copula-ARIMA模型[J]. 石煬.  山西財經(jīng)大學(xué)學(xué)報. 2019(S2)
[4]基于神經(jīng)網(wǎng)絡(luò)的股票預(yù)測模型[J]. 喬若羽.  運籌與管理. 2019(10)
[5]基于神經(jīng)網(wǎng)絡(luò)的股票收益率預(yù)測研究[J]. 潘水洋,劉俊瑋,王一鳴.  浙江大學(xué)學(xué)報(理學(xué)版). 2019(05)
[6]中國公路物流運價指數(shù)預(yù)測研究——基于ARIMA-Adam-LSTM模型的分析[J]. 彭建良,丁怡越,左曉琴.  價格理論與實踐. 2019(06)
[7]基于粒子群優(yōu)化LSTM的股票預(yù)測模型[J]. 宋剛,張云峰,包芳勛,秦超.  北京航空航天大學(xué)學(xué)報. 2019(12)
[8]基于BP神經(jīng)網(wǎng)絡(luò)誤差校正的ARIMA組合預(yù)測模型[J]. 吳曉峰,楊穎梅,陳垚彤.  統(tǒng)計與決策. 2019(15)
[9]改進的ARIMA-GM-SVR組合預(yù)測模型及應(yīng)用[J]. 張鵬.  統(tǒng)計與決策. 2019(13)
[10]基于ARIMA和BP神經(jīng)網(wǎng)絡(luò)組合模型的能源消費預(yù)測[J]. 謝小軍,邱云蘭,時凌.  數(shù)學(xué)的實踐與認識. 2019(10)

碩士論文
[1]基于LSTM神經(jīng)網(wǎng)絡(luò)模型的股價漲跌預(yù)測研究[D]. 徐甜甜.上海師范大學(xué) 2019
[2]基于ARIMA-LSTM混合模型的機械傳動件制造企業(yè)銷售預(yù)測方法研究與應(yīng)用[D]. 程俊.電子科技大學(xué) 2018
[3]基于LSTM神經(jīng)網(wǎng)絡(luò)的美股股指價格趨勢預(yù)測模型的研究[D]. 孫瑞奇.首都經(jīng)濟貿(mào)易大學(xué) 2016



本文編號：3059742