基于LSTM神经网络的金融时间序列预测研究
发布时间：2021-01-09 14:08
随着金融市场发展的不断完善,金融市场时间序列数据量日趋庞大,数据产生和累积速度快,传统计量模型不能够满足大数据对非线性、高噪声数据的处理要求。机器学习方法能充分挖掘数据特征,学习历史数据规律,应用于后续判断。基于机器学习方法的神经网络具有处理庞大数据集的能力,能够进行良好的非线性拟合,对金融时间序列处理具有无可比拟的优势。本文通过基于LSTM长短期记忆神经网络对充满噪声,非线性变化的动态金融时间序列进行模型预测,弥补基本分析法主观评估的不足,为量化交易工作提供参考,为人工智能方法在金融时间序列问题上的应用提供实践指导性意义。本文基于LSTM神经网络对股票指数每日数据进行回归预测,选取股票价格样本类指数、综合类指数和分类指数三种,建立全序列指数回归预测、单步股票指数回归预测,多步股票指数回归预测三种预测模型。实验过程包括数据预处理、网络误差评价指标、网络模型结构搭建和损失函数图像绘制。分析不同预测方法对不同样本数据集的表现情况,总结相关规律。本文基于LSTM神经网络选择单步预测的网络结构模型应用于个股历史数据的测试。通过量价关系模型,技术指标模型和结合PCA模型对高频个股收盘价进行预测。...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
全文技术路线图
哈尔滨工业大学经济学硕士学位论文11票市场未来趋势。金融市场数据的统计性特征如下：（1）数据分布尖峰厚尾我国股票市场并非完全有效市场，证券收益率分布并不服从标准的正态分布，而是呈现出“尖峰厚尾”的特征。在实证分析过程中，数据出现极端值的概率大于假设其呈现正态分布的概率。为了便于统计，通常对数据以正态分布的假设来进行统计推断，往往会导致误差的增大。图2-1根据上证指数2009年至2019年十年间股票日间收益率绘制日间收益率概率密度分布图象，为消除量纲差异，将日收益率的值扩大100倍进行绘制。根据图1可以明显看出上证指数十年间样本日收益率偏度-0.77，峰度5.54，即具有尖峰和左厚尾特征。上证指数实际日收益率概率密度大体符合正态分布，但靠近均值的天数更多且极端收益率出现的频率高于正态分布的预测。图2-1上证指数日收益率概率密度分布（2）异方差性传统计量经济学模型假设时间序列方差不变，但随着金融理论的发展和众多实政分析结果的检验表明金融时间序列具有异方差的特点。根据上证指数2009年至2019年十年间股票日间收益率绘制日收益率和日收盘指数的笛卡尔坐标，观察日收盘指数和日间收益率二者变量之间的相关性。结果如图2-2所示，两变量之间不存在明显的线性关系，分布不在固定的带形区域中，存在明显的散点扩大情况，分布情况复杂。
哈尔滨工业大学经济学硕士学位论文12图2-2上证指数收益率和收盘指数分布散点图（3）波动聚集性波动聚集性是指金融资产价格的变化具有高波动聚集和低波动聚集现象，即金融资产价格的变化往往大的波动后紧跟大的波动，小的波动后紧跟小的波动。波动率聚集性是金融资产收益率序列的一个重要特征，具有正相关性，即后一期的波动率与前一期的波动率的相关性为正[41]。曼德尔布罗特(Mandlebrot，1924—2010)率先提出经济变量方差在不断变化，且幅度较大的变化相对集中在某些时间段，幅度较小的变化相对集中在某些时间段[41]。根据上证指数2009年至2019年十年间股票日间收益率绘制日收益率波动图像，如图2-3。根据图3可以看出上证指数日收益率波动具有波动聚集性特点。图2-32009年12月至2019年12月上证指数日收益率波动情况
【参考文献】：
期刊论文
[1]基于神经网络的股票预测模型[J]. 乔若羽. 运筹与管理. 2019(10)
[2]基于深度学习LSTM神经网络的全球股票指数预测研究[J]. 杨青,王晨蔚. 统计研究. 2019(03)
[3]基于树结构长短期记忆神经网络的金融时间序列预测[J]. 姚小强,侯志森. 计算机应用. 2018(11)
[4]有效市场假说综述[J]. 唐琨. 金融经济. 2018(20)
[5]中国股票市场的波动率聚集性研究——基于Markov机制转换Copula模型的实证分析[J]. 吴鑫育,李心丹,马超群. 系统管理学报. 2018(04)
[6]基于多输出学习的沪深300指数预测研究[J]. 唐艳琴,潘志松,张艳艳. 计算机科学. 2017(S2)
[7]基于误差校正的灰色神经网络股票收益率预测[J]. 于志军,杨善林,章政,焦健. 中国管理科学. 2015(12)
[8]基于时间序列频域分析的期货市场周期研究[J]. 陆珩瑱,徐立平. 统计与决策. 2011(06)
[9]计量经济学模型对数据的依赖性[J]. 李子奈. 经济学动态. 2009(08)
[10]基于人工神经网络方法的上市公司股价预测[J]. 杨成,程晓玲,殷旅江. 统计与决策. 2005(24)
本文编号：2966802
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
全文技术路线图
哈尔滨工业大学经济学硕士学位论文11票市场未来趋势。金融市场数据的统计性特征如下：（1）数据分布尖峰厚尾我国股票市场并非完全有效市场，证券收益率分布并不服从标准的正态分布，而是呈现出“尖峰厚尾”的特征。在实证分析过程中，数据出现极端值的概率大于假设其呈现正态分布的概率。为了便于统计，通常对数据以正态分布的假设来进行统计推断，往往会导致误差的增大。图2-1根据上证指数2009年至2019年十年间股票日间收益率绘制日间收益率概率密度分布图象，为消除量纲差异，将日收益率的值扩大100倍进行绘制。根据图1可以明显看出上证指数十年间样本日收益率偏度-0.77，峰度5.54，即具有尖峰和左厚尾特征。上证指数实际日收益率概率密度大体符合正态分布，但靠近均值的天数更多且极端收益率出现的频率高于正态分布的预测。图2-1上证指数日收益率概率密度分布（2）异方差性传统计量经济学模型假设时间序列方差不变，但随着金融理论的发展和众多实政分析结果的检验表明金融时间序列具有异方差的特点。根据上证指数2009年至2019年十年间股票日间收益率绘制日收益率和日收盘指数的笛卡尔坐标，观察日收盘指数和日间收益率二者变量之间的相关性。结果如图2-2所示，两变量之间不存在明显的线性关系，分布不在固定的带形区域中，存在明显的散点扩大情况，分布情况复杂。
哈尔滨工业大学经济学硕士学位论文12图2-2上证指数收益率和收盘指数分布散点图（3）波动聚集性波动聚集性是指金融资产价格的变化具有高波动聚集和低波动聚集现象，即金融资产价格的变化往往大的波动后紧跟大的波动，小的波动后紧跟小的波动。波动率聚集性是金融资产收益率序列的一个重要特征，具有正相关性，即后一期的波动率与前一期的波动率的相关性为正[41]。曼德尔布罗特(Mandlebrot，1924—2010)率先提出经济变量方差在不断变化，且幅度较大的变化相对集中在某些时间段，幅度较小的变化相对集中在某些时间段[41]。根据上证指数2009年至2019年十年间股票日间收益率绘制日收益率波动图像，如图2-3。根据图3可以看出上证指数日收益率波动具有波动聚集性特点。图2-32009年12月至2019年12月上证指数日收益率波动情况
【参考文献】：
期刊论文
[1]基于神经网络的股票预测模型[J]. 乔若羽. 运筹与管理. 2019(10)
[2]基于深度学习LSTM神经网络的全球股票指数预测研究[J]. 杨青,王晨蔚. 统计研究. 2019(03)
[3]基于树结构长短期记忆神经网络的金融时间序列预测[J]. 姚小强,侯志森. 计算机应用. 2018(11)
[4]有效市场假说综述[J]. 唐琨. 金融经济. 2018(20)
[5]中国股票市场的波动率聚集性研究——基于Markov机制转换Copula模型的实证分析[J]. 吴鑫育,李心丹,马超群. 系统管理学报. 2018(04)
[6]基于多输出学习的沪深300指数预测研究[J]. 唐艳琴,潘志松,张艳艳. 计算机科学. 2017(S2)
[7]基于误差校正的灰色神经网络股票收益率预测[J]. 于志军,杨善林,章政,焦健. 中国管理科学. 2015(12)
[8]基于时间序列频域分析的期货市场周期研究[J]. 陆珩瑱,徐立平. 统计与决策. 2011(06)
[9]计量经济学模型对数据的依赖性[J]. 李子奈. 经济学动态. 2009(08)
[10]基于人工神经网络方法的上市公司股价预测[J]. 杨成,程晓玲,殷旅江. 统计与决策. 2005(24)
本文编号：2966802
本文链接：https://www.wllwen.com/guanlilunwen/bankxd/2966802.html
