CNN与LSTM在周期股短期股价涨跌预测的应用研究

发布时间：2024-01-18 17:21

　　股票市场是一个动态的复杂非线性系统,一直以来其未来趋势被认为难以预测,但是精确把握股票市场未来的趋势,对于监管机构、投资机构以及个人都有重要的现实意义。随着数学统计方法的不断发展和完善,使用数学模型准确量化股市未来趋势是至今仍旧火热的研究课题。在研究推进过程中,涌现了许多线性模型和非线性模型的方法。其中,机器学习模型因其强大的表征非线性数据的能力而慢慢受到研究者的重视,在股市预测中也取得了不错的效果。结合现代数字金融的快速发展和数据量的扩张,使用机器学习模型来研究股市的高频数据成为全球金融市场研究的热点之一。高频数据相比低频数据而言拥有更高的时效性和精确性,在短期趋势预测中扮演重要的角色。基于上述背景,本文选取了A股中的强周期行业煤炭、钢铁(申万行业分类标准)所有的行业成分股作为研究对象,采用方法为深度学习中的卷积神经网络模型(CNN模型)和长短期记忆网络模型(LSTM模型)。以股票未来趋势预测中的影响因素为特征,来探索深度学习在股票高频数据领域的应用。CNN模型主要用来分类强周期股票不同时间段的交易模式,尽可能分辨强周期股票不同的交易时段和状态,以达到区分不同分布的目的;LSTM模型...

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
1 绪论
    1.1 研究背景
    1.2 研究意义
    1.3 研究内容与方法
        1.3.1 研究内容
        1.3.2 研究方法
    1.4 论文创新点
2 文献综述
    2.1 金融高频数据国内外研究状况
    2.2 股票时间序列预测相关研究
        2.2.1 传统金融模型
        2.2.2 深度学习模型
    2.3 文献评述
3 周期股收益预测与机器学习的理论机制
    3.1 周期股收益预测理论机理
        3.1.1 经济周期理论与股票市场状态
        3.1.2 股票收益预测理论
        3.1.3 股票收益影响因素汇总
    3.2 深度学习模型介绍
        3.2.1 神经网络
        3.2.2 监督学习和无监督学习
        3.2.3 LSTM模型
        3.2.4 CNN模型
    3.3 股票预测模型理论依据分析
        3.3.1 交易模式的可预测性
        3.3.2 CNN+LSTM的混合模型优点
4 模型实证检验
    4.1 数据样本选取与指标考量
    4.2 数据预处理与特征计算
        4.2.1 数据清洗
        4.2.2 特征数据描述
        4.2.3 特征标准化
        4.2.4 相关性检验
        4.2.5 标签计算
        4.2.6 训练集、验证集、测试集划分
    4.3 单一模型
        4.3.1 线性模型
        4.3.2 非线性模型
    4.4 CNN+LSTM混合模型
    4.5 结果分析
5 研究结论、建议与展望
    5.1 研究结论
    5.2 研究建议
    5.3 研究展望
参考文献



本文编号：3879701