如今,基于數(shù)理統(tǒng)計模型的量化投資技術(shù)得到了充分的發(fā)展和應(yīng)用,投資者基于此類方法可獲得較大回報。機(jī)器學(xué)習(xí)、深度學(xué)習(xí)算法隨著AI時代的到來被應(yīng)用到各個領(lǐng)域。這些前沿算法可以實時處理海量的數(shù)據(jù),模型也能取得不錯的擬合效果,同時泛化能力也得到大幅提升。在本論文中,嘗試將這些前沿算法應(yīng)用到股票市場中,分別采用機(jī)器學(xué)習(xí)中的XGBoost方法與深度學(xué)習(xí)中的LSTM方法對股票調(diào)整收盤價預(yù)測,并對擬合效果進(jìn)行對比。首先,本文介紹了機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的概念、應(yīng)用、模型的優(yōu)化方法,接下來介紹了數(shù)據(jù)的來源與特征工程的概念。實證目標(biāo)是利用前N天的數(shù)據(jù)(即預(yù)測范圍大于等于1)對Vanguard Total Stock Market ETF(VTI)每天的調(diào)整收盤價進(jìn)行預(yù)測。文章中用到的的數(shù)據(jù)是基于VTI的歷史價格:自2015.11.25至2018.11.23。其次,基于金融時間序列預(yù)測具有不確定性、復(fù)雜性與時間記憶性的特點,本文提出了使用機(jī)器學(xué)習(xí)算法的構(gòu)建的XGBoost模型與使用深度學(xué)習(xí)算法的構(gòu)建的長短期記憶神經(jīng)網(wǎng)絡(luò)模型,在股票數(shù)據(jù)中提取特征作為模型的輸入,同時將上面兩種模型與lastvalue、移動平均法、線...

【文章頁數(shù)】：86 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題研究的背景與意義
        1.1.1 課題背景
        1.1.2 研究意義
    1.2 本文的研究內(nèi)容及主要貢獻(xiàn)
        1.2.1 研究內(nèi)容
        1.2.2 創(chuàng)新性
    1.3 股票市場預(yù)測研究現(xiàn)狀
    1.4 本文的結(jié)構(gòu)安排
第2章 算法理論
    2.1 機(jī)器學(xué)習(xí)概念及相關(guān)理論模型
        2.1.1 機(jī)器學(xué)習(xí)概念
        2.1.2 機(jī)器學(xué)習(xí)模型
    2.2 深度學(xué)習(xí)概念及其模型
        2.2.1 深度學(xué)習(xí)概念
        2.2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)
        2.2.3 LSTM
第3章 股票價格趨勢預(yù)測模型構(gòu)建
    3.1 數(shù)據(jù)介紹(數(shù)據(jù)的來源及描述)
    3.2 特征工程
        3.2.1 特征工程簡介
        3.2.2 特征工程的重要性
        3.2.3 特征工程具體內(nèi)容
    3.3 模型調(diào)優(yōu)
        3.3.1 留出法(hold-out)
        3.3.2 交叉驗證(k-fold)
    3.4 模型評價方法
        3.4.1 回歸評估指標(biāo)
        3.4.2 分類評估指標(biāo)
        3.4.3 ROC曲線和AUC
    3.5 預(yù)測模型構(gòu)建過程
        3.5.1 循環(huán)神經(jīng)網(wǎng)絡(luò)與LSTM參數(shù)設(shè)定
第4章 實證分析
    4.1 股價預(yù)測模型的實例分析
        4.1.1 Last Value
        4.1.2 移動平均線(simple moving average)
        4.1.3 線性回歸
        4.1.4 XGBoost
    4.2 深度學(xué)習(xí)的股價預(yù)測模型的實例分析
    4.3 實證分析對比
第5章 結(jié)論與展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間發(fā)表及錄用學(xué)術(shù)論文
學(xué)位論文評閱及答辯情況表



本文編號：3766677