基于LSTM模型预测沪深300指数收益率的研究
发布时间：2021-01-14 21:04
近年来,由于高性能计算机的普及以及人工智能技术的飞速发展,人工智能已经对各个领域的生态发起了挑战,金融领域也不例外。我国证券市场发展至今,虽然发展迅猛、成就瞩目,但是内幕交易和退市制度不完善等问题反映出我国证券市场仍然存在诸多机制和监管的问题。加之金融市场本就是一个充满噪声的复杂动态系统,如何准确的预测大盘指数走势、分析现阶段宏观因素对证券市场的影响力是学者关注的热点问题。而对于投资者来说,预测股价走势和波动率并取得高收益低风险的结果是他们永远的追求。种种现实的诉求自然决定了金融领域是一个相当开放且实践方式更新较快的领域,这一特点加上人工智能技术的成熟,人工智能与金融的快速融合是必然结果。例如近几年量化投资兴起,阅读各大研究所策略研究报告之后不难发现,机器学习模型以及深度学习模型深受喜爱。而在深度学习中,针对于时间序列问题且善于处理长期依赖问题的是门控循环神经网络,如长短期记忆模型。本文的理论部分介绍了传统的ARMA-GARCH族模型与神经网络模型的基本知识,其中在神经网络部分中详细介绍并推导了反向传播算法和Adam优化算法。在实证部分中使用了 Eviews、R语言、Keras库等工具...
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
图１．１技术路线图??１．４国内外文献综述??
ｐ（－ｘ）??ｎｇｍｏｉｄ（ｘ）??１－０１?ｔａｎｈ（ｘ）＊??０．８■…－－??４－?－－??－???—??０．６???ｊ??，??／??ｉ?１??１??１?，???－？－！?－．．．．．．．．．．十???－２?－】ｙ／?１?２?ｘ??：ｙ?—?．．．—?—?一＾’十??ａｏ??＞?＂＾―￣￣＇?１?：?＇???－１０．０?－７．５?－５．０?－２．５?０．０?２．５?５．０?７．５?１０．０??图２．１?ｔａｎｈ与Ｓｉｇｍｏｉｄ函数图（素材来自于网络）??９??
?山东大学硕士学位论文???ｈｉｄｄｅｎ?ｌａｙｅｒ?１?ｈｉｄｄｅｎ?ｌａｙｅｒ?２?ｈｉｄｄｅｎ?ｌａｙｅｒ?３??ｉｎｐｕｔ?ｌａｙｅｒ??图２．２全连接神经网络（素材来自于网络）??从图中不难看出，全连接结构参数太多，大大提高了存储要求并且降低了统??计效率。针对于某一领域（如计算机视觉），如果输入的特征过多，模型深度很??大，训练将十分困难。而卷积神经网络的特殊架构则克服了这一问题，这归功于??卷积神经网络两个特殊的层，卷积层和池化层。??全连接神经网络的某些层之间的连接是通过矩阵乘法来完成的。如果有ｍ??个输入和ｎ个输出，那么使用矩阵乘法则需要ｍ乘ｎ个参数。在卷积层中，使??用卷积操作来替代这种一般的矩阵乘法。在卷积网络中的卷积操作是使用输入和??核张量相乘，并不是对两个实变函数的一种数学运算。其中卷积操作有一个很重??要的思想：仍然使用上面的例子，如果我们限制下一层的每个神经元拥有的连接??数为ｋ，那么这种连接方法只需要ｋ乘ｎ个参数，并且被称之为稀疏交互（ｓｐａｒｓｅ??ｉｎｔｅｒａｃｔｉｏｎｓ），如下图所示。还有一个显著降低存储空间提升运算效率的思想叫??参数共享（ｐａｒａｍｅｔｅｒｓｈａｒｉｎｇ），指在一个模型中的多个函数中使用相同的参数，??使用上面的例子，我们对连接参数进行参数共享，模型的存储需求就会降为ｋ。??１１??
【参考文献】：
期刊论文
[1]基于粒子群优化LSTM的股票预测模型[J]. 宋刚,张云峰,包芳勋,秦超. 北京航空航天大学学报. 2019(12)
[2]基于深度双向LSTM的股票推荐系统[J]. 曾安,聂文俊. 计算机科学. 2019(10)
[3]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)
[4]FEPA-金融时间序列自适应组合预测模型[J]. 潘和平,张承钊. 中国管理科学. 2018(06)
[5]基于TensorFlow进行股票预测的深度学习模型的设计与实现[J]. 韩山杰,谈世哲. 计算机应用与软件. 2018(06)
[6]基于LSTM循环神经网络的故障时间序列预测[J]. 王鑫,吴际,刘超,杨海燕,杜艳丽,牛文生. 北京航空航天大学学报. 2018(04)
[7]深度学习在量化投资中的应用[J]. 李文鹏,高宇菲,钱佳佳,陈曦. 统计与管理. 2017(08)
[8]深度学习的金融实证应用:动态、贡献与展望[J]. 苏治,卢曼,李德轩. 金融研究. 2017(05)
[9]基于ARMA-GARCH模型的股票价格分析与预测[J]. 杨琦,曹显兵. 数学的实践与认识. 2016(06)
[10]基于ARMA-GARCH模型的上证指数实证分析[J]. 王博. 科学技术与工程. 2012(05)
硕士论文
[1]基于循环神经网络及百度指数预测A股市场波动率[D]. 李树阳.山东大学 2019
[2]基于长短期记忆神经网络的收益率预测研究[D]. 付泉.山东大学 2019
[3]基于LSTM模型的深度学习与迁移学习在预测外汇汇率中的应用研究[D]. 李伟.华南理工大学 2019
[4]基于LSTM混合模型的金融时间序列预测研究[D]. 王锦涛.郑州大学 2019
[5]基于t分布的GARCH族模型的建立与实证分析[D]. 别晓芳.哈尔滨工业大学 2018
[6]基于LSTM神经网络的PM2.5预测[D]. 周永生.湖南大学 2018
[7]基于ARMA-GARCH模型族的上证指数收益率波动的实证分析[D]. 张东旭.清华大学 2016
[8]基于LSTM神经网络的美股股指价格趋势预测模型的研究[D]. 孙瑞奇.首都经济贸易大学 2016
[9]基于ARMA-GARCH模型对上证综指和新综指的探究[D]. 曾青.福建师范大学 2015
[10]基于GARCH模型的上证指数波动率特征分析[D]. 成城.山东大学 2014
本文编号：2977546
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
图１．１技术路线图??１．４国内外文献综述??
ｐ（－ｘ）??ｎｇｍｏｉｄ（ｘ）??１－０１?ｔａｎｈ（ｘ）＊??０．８■…－－??４－?－－??－???—??０．６???ｊ??，??／??ｉ?１??１??１?，???－？－！?－．．．．．．．．．．十???－２?－】ｙ／?１?２?ｘ??：ｙ?—?．．．—?—?一＾’十??ａｏ??＞?＂＾―￣￣＇?１?：?＇???－１０．０?－７．５?－５．０?－２．５?０．０?２．５?５．０?７．５?１０．０??图２．１?ｔａｎｈ与Ｓｉｇｍｏｉｄ函数图（素材来自于网络）??９??
?山东大学硕士学位论文???ｈｉｄｄｅｎ?ｌａｙｅｒ?１?ｈｉｄｄｅｎ?ｌａｙｅｒ?２?ｈｉｄｄｅｎ?ｌａｙｅｒ?３??ｉｎｐｕｔ?ｌａｙｅｒ??图２．２全连接神经网络（素材来自于网络）??从图中不难看出，全连接结构参数太多，大大提高了存储要求并且降低了统??计效率。针对于某一领域（如计算机视觉），如果输入的特征过多，模型深度很??大，训练将十分困难。而卷积神经网络的特殊架构则克服了这一问题，这归功于??卷积神经网络两个特殊的层，卷积层和池化层。??全连接神经网络的某些层之间的连接是通过矩阵乘法来完成的。如果有ｍ??个输入和ｎ个输出，那么使用矩阵乘法则需要ｍ乘ｎ个参数。在卷积层中，使??用卷积操作来替代这种一般的矩阵乘法。在卷积网络中的卷积操作是使用输入和??核张量相乘，并不是对两个实变函数的一种数学运算。其中卷积操作有一个很重??要的思想：仍然使用上面的例子，如果我们限制下一层的每个神经元拥有的连接??数为ｋ，那么这种连接方法只需要ｋ乘ｎ个参数，并且被称之为稀疏交互（ｓｐａｒｓｅ??ｉｎｔｅｒａｃｔｉｏｎｓ），如下图所示。还有一个显著降低存储空间提升运算效率的思想叫??参数共享（ｐａｒａｍｅｔｅｒｓｈａｒｉｎｇ），指在一个模型中的多个函数中使用相同的参数，??使用上面的例子，我们对连接参数进行参数共享，模型的存储需求就会降为ｋ。??１１??
【参考文献】：
期刊论文
[1]基于粒子群优化LSTM的股票预测模型[J]. 宋刚,张云峰,包芳勋,秦超. 北京航空航天大学学报. 2019(12)
[2]基于深度双向LSTM的股票推荐系统[J]. 曾安,聂文俊. 计算机科学. 2019(10)
[3]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)
[4]FEPA-金融时间序列自适应组合预测模型[J]. 潘和平,张承钊. 中国管理科学. 2018(06)
[5]基于TensorFlow进行股票预测的深度学习模型的设计与实现[J]. 韩山杰,谈世哲. 计算机应用与软件. 2018(06)
[6]基于LSTM循环神经网络的故障时间序列预测[J]. 王鑫,吴际,刘超,杨海燕,杜艳丽,牛文生. 北京航空航天大学学报. 2018(04)
[7]深度学习在量化投资中的应用[J]. 李文鹏,高宇菲,钱佳佳,陈曦. 统计与管理. 2017(08)
[8]深度学习的金融实证应用:动态、贡献与展望[J]. 苏治,卢曼,李德轩. 金融研究. 2017(05)
[9]基于ARMA-GARCH模型的股票价格分析与预测[J]. 杨琦,曹显兵. 数学的实践与认识. 2016(06)
[10]基于ARMA-GARCH模型的上证指数实证分析[J]. 王博. 科学技术与工程. 2012(05)
硕士论文
[1]基于循环神经网络及百度指数预测A股市场波动率[D]. 李树阳.山东大学 2019
[2]基于长短期记忆神经网络的收益率预测研究[D]. 付泉.山东大学 2019
[3]基于LSTM模型的深度学习与迁移学习在预测外汇汇率中的应用研究[D]. 李伟.华南理工大学 2019
[4]基于LSTM混合模型的金融时间序列预测研究[D]. 王锦涛.郑州大学 2019
[5]基于t分布的GARCH族模型的建立与实证分析[D]. 别晓芳.哈尔滨工业大学 2018
[6]基于LSTM神经网络的PM2.5预测[D]. 周永生.湖南大学 2018
[7]基于ARMA-GARCH模型族的上证指数收益率波动的实证分析[D]. 张东旭.清华大学 2016
[8]基于LSTM神经网络的美股股指价格趋势预测模型的研究[D]. 孙瑞奇.首都经济贸易大学 2016
[9]基于ARMA-GARCH模型对上证综指和新综指的探究[D]. 曾青.福建师范大学 2015
[10]基于GARCH模型的上证指数波动率特征分析[D]. 成城.山东大学 2014
本文编号：2977546
本文链接：https://www.wllwen.com/guanlilunwen/bankxd/2977546.html
