現(xiàn)如今,股票交易已然融入到人們的日常生活中,在經(jīng)濟(jì)金融領(lǐng)域有著巨大的影響。然而,股票市場(chǎng)由于其自身具有的強(qiáng)不穩(wěn)定性使得投資者在股票買賣中承擔(dān)了較大的風(fēng)險(xiǎn)。在這樣的背景下,如何精準(zhǔn)地預(yù)測(cè)股票市場(chǎng)的未來走勢(shì)就成為了有關(guān)學(xué)者和諸多投資者密切關(guān)心的話題。股票市場(chǎng)由于其高噪音性、非線性、投資者心理預(yù)期的不確定性等諸多因素,股價(jià)預(yù)測(cè)通常被認(rèn)為是時(shí)間序列預(yù)測(cè)中最具挑戰(zhàn)性的問題之一。對(duì)于現(xiàn)代社會(huì)的股票市場(chǎng)研究者而言,如何精準(zhǔn)地預(yù)測(cè)股價(jià)走勢(shì)依然是一個(gè)尚待解決的難題。在過去的幾十年中,隨著機(jī)器學(xué)習(xí)和深度學(xué)習(xí)不斷發(fā)展,一些相關(guān)模型已經(jīng)在金融市場(chǎng)中得到了廣泛應(yīng)用,例如人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network,ANN）和支持向量機(jī)（Support Vector Machine,SVM）等模型在股價(jià)研究中已獲得較高的精確度。神經(jīng)網(wǎng)絡(luò)作為一種模仿生物神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與功能的深度學(xué)習(xí)模型,對(duì)非線性數(shù)據(jù)有著很強(qiáng)的擬合能力,可以對(duì)其進(jìn)行有效地處理;同時(shí),神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的魯棒性、記憶能力以及自學(xué)習(xí)功能,這些特性使得神經(jīng)網(wǎng)絡(luò)在金融市場(chǎng)的預(yù)測(cè)方面占有很大的優(yōu)勢(shì)。神經(jīng)網(wǎng)絡(luò)與其他統(tǒng)計(jì)學(xué)模型相結(jié)合的集成模型,與... 

【文章來源】：山東大學(xué)山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．１：常見的小波基函數(shù)??２．１．５多分辨率分析與Ｍａｌｌａｔ算法??多分辨率分析，是ＭａｌｌａｔｌＳ于１９８９年提出的，目的是為了把信號(hào)分解到不??

?山東大學(xué)碩士學(xué)位論文???—ｄｉ?＿??原始數(shù)捃「ｄ２????ｊ?ｃ?ｉ?＿?ｒ＊?ｄｊ??—＊?〇２??＊?Ｊ層分解?——????＼?／??“?Ｃｊ??圖２．２：小波分解示意圖??２．２長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)??２．２．１神經(jīng)元與神經(jīng)網(wǎng)絡(luò)??神經(jīng)元原為生物學(xué)概念，是指在神經(jīng)傳遞過程中起著輸入信息整合及信息??輸出作用的神經(jīng)細(xì)胞。在深度學(xué)習(xí)的研究中，人們構(gòu)造了一個(gè)類似的結(jié)構(gòu)，將??多個(gè)輸入整合為一個(gè)輸出，稱之為神經(jīng)元。所謂的神經(jīng)網(wǎng)絡(luò)就是若干個(gè)神經(jīng)元??個(gè)體接連起來而構(gòu)成的網(wǎng)絡(luò)結(jié)構(gòu)。圖２．３為一個(gè)經(jīng)典的神經(jīng)元。??連接權(quán)??輸入信號(hào)??ｘｉ??Ｗ／／?＼??＼?求和?激活函數(shù)??廣＾－ｘ?＼｜?Ｕｋ?｜?輸出??Ｘ２??二｝－?？?Ｅ?—？?／（？）????．?：?／?卜??？?：?／?ｂｋ??＜?閾值??Ｘｍ??？（?）??圖２．３：神經(jīng)元模型圖??神經(jīng)元在對(duì)輸入Ａ按其相應(yīng)的權(quán)重叫進(jìn)行加權(quán)后求和，經(jīng)過激活函數(shù)／的??處理輸入到下一層。如果將神經(jīng)元中的所有變量用數(shù)學(xué)符號(hào)表示的話，公式如??式（２．２１）所示：??－１４－??

?山東大學(xué)碩士學(xué)位論文???—ｄｉ?＿??原始數(shù)捃「ｄ２????ｊ?ｃ?ｉ?＿?ｒ＊?ｄｊ??—＊?〇２??＊?Ｊ層分解?——????＼?／??“?Ｃｊ??圖２．２：小波分解示意圖??２．２長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)??２．２．１神經(jīng)元與神經(jīng)網(wǎng)絡(luò)??神經(jīng)元原為生物學(xué)概念，是指在神經(jīng)傳遞過程中起著輸入信息整合及信息??輸出作用的神經(jīng)細(xì)胞。在深度學(xué)習(xí)的研究中，人們構(gòu)造了一個(gè)類似的結(jié)構(gòu)，將??多個(gè)輸入整合為一個(gè)輸出，稱之為神經(jīng)元。所謂的神經(jīng)網(wǎng)絡(luò)就是若干個(gè)神經(jīng)元??個(gè)體接連起來而構(gòu)成的網(wǎng)絡(luò)結(jié)構(gòu)。圖２．３為一個(gè)經(jīng)典的神經(jīng)元。??連接權(quán)??輸入信號(hào)??ｘｉ??Ｗ／／?＼??＼?求和?激活函數(shù)??廣＾－ｘ?＼｜?Ｕｋ?｜?輸出??Ｘ２??二｝－?？?Ｅ?—？?／（？）????．?：?／?卜??？?：?／?ｂｋ??＜?閾值??Ｘｍ??？（?）??圖２．３：神經(jīng)元模型圖??神經(jīng)元在對(duì)輸入Ａ按其相應(yīng)的權(quán)重叫進(jìn)行加權(quán)后求和，經(jīng)過激活函數(shù)／的??處理輸入到下一層。如果將神經(jīng)元中的所有變量用數(shù)學(xué)符號(hào)表示的話，公式如??式（２．２１）所示：??－１４－??

【參考文獻(xiàn)】：
期刊論文
[1]投資者情緒、超額收益及市場(chǎng)波動(dòng)[J]. 楊少華,郭萬山.  湖北工程學(xué)院學(xué)報(bào). 2018(02)
[2]基于正則化LSTM模型的股票指數(shù)預(yù)測(cè)[J]. 任君,王建華,王傳美,王建祥.  計(jì)算機(jī)應(yīng)用與軟件. 2018(04)
[3]基于ARMA模型預(yù)測(cè)股票價(jià)格的實(shí)證分析[J]. 孟坤,李麗.  河北北方學(xué)院學(xué)報(bào)(自然科學(xué)版). 2016(05)
[4]基于誤差校正的灰色神經(jīng)網(wǎng)絡(luò)股票收益率預(yù)測(cè)[J]. 于志軍,楊善林,章政,焦健.  中國(guó)管理科學(xué). 2015(12)
[5]ARIMA模型在股票價(jià)格預(yù)測(cè)中的應(yīng)用[J]. 劉紅梅.  廣西輕工業(yè). 2008(06)
[6]金融時(shí)間序列去噪的小波變換方法[J]. 蘭秋軍,馬超群,文鳳華.  科技管理研究. 2004(06)
[7]基于模糊神經(jīng)網(wǎng)絡(luò)和R/S分析的股票市場(chǎng)多步預(yù)測(cè)[J]. 楊一文,劉貴忠,蔡毓.  系統(tǒng)工程理論與實(shí)踐. 2003(03)
[8]中國(guó)股票A股市場(chǎng)隨機(jī)游走模型的檢驗(yàn)[J]. 李金林,金鈺琦.  北京工商大學(xué)學(xué)報(bào)(自然科學(xué)版). 2002(04)
[9]基于小波分解與重構(gòu)的時(shí)間序列預(yù)測(cè)法[J]. 賀國(guó)光,馬壽峰,李宇.  自動(dòng)化學(xué)報(bào). 2002(06)
[10]ARFIMA模型在中國(guó)股票市場(chǎng)預(yù)測(cè)的失效[J]. 劉文財(cái),劉豹,張維.  系統(tǒng)工程理論方法應(yīng)用. 2002(02)

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



本文編號(hào)：3070547