在眾多新興技術(shù)高速發(fā)展的今天,金融時間序列數(shù)據(jù)的預(yù)測研究熱度不減。本文研究神經(jīng)網(wǎng)絡(luò)在股指高頻數(shù)據(jù)預(yù)測中的應(yīng)用,使用長短期記憶（LSTM）遞歸神經(jīng)網(wǎng)絡(luò)和門控循環(huán)單元（GRU）遞歸神經(jīng)網(wǎng)絡(luò)對時序數(shù)據(jù)進行預(yù)測。本文詳細探討了 LSTM和GRU的前向傳播過程和誤差反向傳播過程,對神經(jīng)網(wǎng)絡(luò)在金融時間序列預(yù)測中的可行性進行分析。本文進行了三方面的研究:一是進行LSTM和GRU的對比研究;二是驗證LSTM和GRU在股指高頻數(shù)據(jù)單步預(yù)測中的普適性;三是對深度學(xué)習(xí)的多步預(yù)測進行拓展探究。選用上海證券綜合指數(shù)、上證50指數(shù)、中證小盤500指數(shù)和中證1000指數(shù)3年共731個交易日的的每五分鐘高頻數(shù)據(jù),分別使用LSTM和GRU構(gòu)建單變量單步模型、多元單步模型和多元多步模型,以均方根誤差（RMSE）、平均絕對誤差（MAE）和擬合優(yōu)度（R2_score）為評價指標(biāo),并對預(yù)測過程的梯度下降情況和預(yù)測結(jié)果進行可視化呈現(xiàn)。在LSTM單變量單步模型和GRU單變量單步模型中,4個數(shù)據(jù)集的RMSE和MAE均值小于0.03,R2_score均值大于0.99;在LSTM多元單步模型、GR... 

【文章頁數(shù)】：79 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 前言
    1.1 選題背景
    1.2 選題意義
        1.2.1 理論意義
        1.2.2 實踐意義
    1.3 國內(nèi)外相關(guān)研究綜述
        1.3.1 早期預(yù)測方法
        1.3.2 基于神經(jīng)網(wǎng)絡(luò)的股市數(shù)據(jù)預(yù)測
        1.3.3 多步預(yù)測研究現(xiàn)狀
    1.4 研究框架
    1.5 重難點及創(chuàng)新性
第2章 深度學(xué)習(xí)理論介紹及可行性分析
    2.1 神經(jīng)網(wǎng)絡(luò)的誕生與發(fā)展
    2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)
        2.2.1 RNN的結(jié)構(gòu)
        2.2.2 RNN的優(yōu)勢與不足
    2.3 LSTM遞歸神經(jīng)網(wǎng)絡(luò)
        2.3.1 LSTM的結(jié)構(gòu)
        2.3.2 LSTM的前向傳播
        2.3.3 LSTM的參數(shù)學(xué)習(xí)
    2.4 GRU遞歸神經(jīng)網(wǎng)絡(luò)
        2.4.1 GRU的結(jié)構(gòu)
        2.4.2 GRU的前向傳播
        2.4.3 GRU的參數(shù)學(xué)習(xí)
    2.5 神經(jīng)網(wǎng)絡(luò)在金融時序預(yù)測的可行性
        2.5.1 神經(jīng)網(wǎng)絡(luò)的廣泛應(yīng)用
        2.5.2 金融數(shù)據(jù)的特性
第3章 基于LSTM和GRU的股指高頻數(shù)據(jù)預(yù)測
    3.1 數(shù)據(jù)選取及預(yù)處理
        3.1.1 數(shù)據(jù)集選取
        3.1.2 數(shù)據(jù)標(biāo)準(zhǔn)化
        3.1.3 滾動時間窗口
        3.1.4 數(shù)據(jù)批處理
    3.2 模型搭建及預(yù)測思路
        3.2.1 研究思路
        3.2.2 模型搭建
        3.2.3 評價指標(biāo)
        3.2.4 參數(shù)選取
    3.3 實證探究
        3.3.1 LSTM與GRU在單變量單步模型中的對比研究
        3.3.2 LSTM與GRU在單步模型中的研究
        3.3.3 深度學(xué)習(xí)LSTM與GRU在多步預(yù)測中的拓展探究
第4章 結(jié)論與展望
    4.1 結(jié)論
    4.2 展望
致謝
參考文獻
附錄
學(xué)位論文評閱及答辯情況表


【參考文獻】：
期刊論文
[1]基于多尺度層級LSTM網(wǎng)絡(luò)的時間序列預(yù)測分析[J]. 張旭東,杜家浩,黃宇方,石東賢,繆永偉.  計算機科學(xué). 2019(S2)
[2]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)
[3]基于深度學(xué)習(xí)LSTM神經(jīng)網(wǎng)絡(luò)的全球股票指數(shù)預(yù)測研究[J]. 楊青,王晨蔚.  統(tǒng)計研究. 2019(03)
[4]基于LSTM的股票價格預(yù)測建模與分析[J]. 彭燕,劉宇紅,張榮芬.  計算機工程與應(yīng)用. 2019(11)
[5]基于深度學(xué)習(xí)支持向量機的上證指數(shù)預(yù)測[J]. 張晶華,甘宇健.  統(tǒng)計與決策. 2019(02)
[6]基于神經(jīng)網(wǎng)絡(luò)集成學(xué)習(xí)股票預(yù)測模型的研究[J]. 謝琪,程耕國,徐旭.  計算機工程與應(yīng)用. 2019(08)
[7]基于深度學(xué)習(xí)的上證綜指波動率預(yù)測效果比較研究[J]. 陳衛(wèi)華.  統(tǒng)計與信息論壇. 2018(05)
[8]深度學(xué)習(xí)的金融實證應(yīng)用:動態(tài)、貢獻與展望[J]. 蘇治,盧曼,李德軒.  金融研究. 2017(05)
[9]基于支持向量機股票價格指數(shù)建模及預(yù)測[J]. 劉道文,樊明智.  統(tǒng)計與決策. 2013(02)
[10]時間序列模型和神經(jīng)網(wǎng)絡(luò)模型在股票預(yù)測中的分析[J]. 劉海玥,白艷萍.  數(shù)學(xué)的實踐與認(rèn)識. 2011(04)



本文編號：3700733