基于神经网络的股票指数预测研究
发布时间：2021-06-13 11:39
股票价格指数的有效预测有助于探索股票价格的内在规律,从而及时规避金融风险,提高股票市场的稳健性。所以研究高效的股票价格指数预测模型具有理论与现实的重要意义。人工神经网络具有强大的自学习、自适应特点,其预测效果比传统时间序列模型更好。随着人工神经网络的快速发展,深度神经网络算法也不断应用于股票市场研究。深度递增递减线性神经网络（DIDLP）作为一种深度神经网络,它是由线性算子和非线性算子构成的,可以有效提取股票时间序列数据中线性与非线性特征。目前的研究表明,DIDLP模型能够有效改善股票时间序列预测中一阶时滞的问题。因此,论文引入DIDLP神经网络研究股票指数预测问题。本论文首先总结了金融时间序列预测的研究方法,介绍了传统时间序列模型和人工神经网络模型,重点介绍了深度递增递减线性神经网络的基本原理。然后根据预分析的结果优化DIDLP神经网络,建立了加入正则项的DIDLP神经网络模型。最后将模型应用于股票价格指数序列的预测中。主要研究工作如下:（1）为了掌握股票价格指数的特点,使用BDS、Hurst指数、离散导数等方法对股指序列进行统计分析。分析发现沪深300指数的Hurst指数为0.6。...
【文章来源】：重庆工商大学重庆市
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
沪深300指数趋势图
重庆工商大学硕士学位论文183.1.2自相关性我们对所选的沪深300指数进行自相关检验，结果如图3.2所示：图3.2时间序列自相关图从图3.2我们可以看到沪深300指数自相关图中的曲线呈递减趋势，这说明短期内股指是线性相关的，从长期来看股指序列的线性相关性不断衰减，但是自相关函数不能检验时间序列的非线性。所以我们进一步使用BDS检验判断时间序列的非线性特征。3.1.3BDS检验在研究金融市场的有效性时，首先就是要检验有价证券收益率波动是否为随机游走。最初对金融市场的有效性进行研究时，主要运用线性理论和非参数过程进行分析。但是针对混沌或分形系统进行检验时发现，用传统的线性理论和方法无法对描述非线性特征的相关参数做出测度。1987年Broock和Dechert提出了BDS检验研究非线性统计理论，该检验是基于关联积分建立的统计量，主要用于检验时间序列是否服从独立同分布，从而判别时间序列的非线性特征。[34]BDS检验的原假设0H为BDS(m,)统计量近似于标准状态分布，即原序列服从独立同分布；BDS检验的备择假设1H为BDS(m,)统计量远离零点，此时原序列不服从独立同分布，具有非线性关系。在使用BDS进行检验之前需要通过AR等线性模型消除原始时间序列的线性关系,然后再进行BDS检验。其中，序列标准差和嵌入维数m的取值要合理，若序列标准差取值过大，检验结果会高估时间序列的非线性程度；若序列标准差取值过小，则检验结果更容易接受原假设，认为原序列服从独立同分布。
第3章股票指数序列的预分析21图3.3Hurst指数图如图3.3所示，沪深300指数的Hurst指数值为0.6大于临界值0.5。结果表明，沪深300指数的历史收盘价与当前价格存在一定的自相关性，时间序列存在一种长记忆趋势或者说正相关的特征，未来股价的趋势大概率与历史股价趋势保持一致，二者在整体趋势上呈现正相关关系,与有效市场假说中的随机游走假设相矛盾。若股指时间序列上期趋势是向上，那么下期很可能继续延续向上的趋势；若股指时间序列上期趋势是向下，那么下期很可能延续向下的趋势。这表明沪深300指数是可以预测的，但是预测沪深300股指是非常困难的。因为Hurst指数越大，股票价格序列的趋势性越强、可预测性越高，而沪深300指数的Hurst指数值为0.6与临界值0.5较为接近，说明沪深300指数的可预测程度不高。所以在实际预测中，想要准确预测股票价格指数是非常困难的，预测结果通常存在一阶时滞的问题。3.3非线性结构分析3.3.1滞后性为了更加客观的分析沪深300指数中时滞的影响，我们利用低阶滞后图和高阶滞后图进行分析，对于低阶时滞，我们选择滞后一阶，而对于高阶时滞，我们选择了Hurst指数值最大时的滞后95阶。
【参考文献】：
期刊论文
[1]分布式深度学习框架下基于性能感知的DBS-SGD算法[J]. 纪泽宇,张兴军,付哲,高柏松,李靖波. 计算机研究与发展. 2019(11)
[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]SDAE-LSTM模型在金融时间序列预测中的应用[J]. 黄婷婷,余磊. 计算机工程与应用. 2019(01)
[4]基于深度强化学习DDPG算法的投资组合管理[J]. 齐岳,黄硕华. 计算机与现代化. 2018(05)
[5]我国股票市场流动性的非线性动力学特征研究:基于分形理论的检验[J]. 尹海员,华亦朴. 管理评论. 2017(08)
[6]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)
[7]基于DBN的金融时序数据建模与决策[J]. 曾志平,萧海东,张新鹏. 计算机技术与发展. 2017(04)
[8]基于EGARCH-M模型和沪深300指数的股市风险分析[J]. 陈丽娟. 东北财经大学学报. 2010(02)
[9]收益分布尖峰厚尾问题的统计检验[J]. 边宽江,程波,王蕾蕾. 统计与决策. 2009(07)
博士论文
[1]一种金融市场预测的深度学习模型：FEPA模型[D]. 张承钊.电子科技大学 2016
本文编号：3227425
【文章来源】：重庆工商大学重庆市
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
沪深300指数趋势图
重庆工商大学硕士学位论文183.1.2自相关性我们对所选的沪深300指数进行自相关检验，结果如图3.2所示：图3.2时间序列自相关图从图3.2我们可以看到沪深300指数自相关图中的曲线呈递减趋势，这说明短期内股指是线性相关的，从长期来看股指序列的线性相关性不断衰减，但是自相关函数不能检验时间序列的非线性。所以我们进一步使用BDS检验判断时间序列的非线性特征。3.1.3BDS检验在研究金融市场的有效性时，首先就是要检验有价证券收益率波动是否为随机游走。最初对金融市场的有效性进行研究时，主要运用线性理论和非参数过程进行分析。但是针对混沌或分形系统进行检验时发现，用传统的线性理论和方法无法对描述非线性特征的相关参数做出测度。1987年Broock和Dechert提出了BDS检验研究非线性统计理论，该检验是基于关联积分建立的统计量，主要用于检验时间序列是否服从独立同分布，从而判别时间序列的非线性特征。[34]BDS检验的原假设0H为BDS(m,)统计量近似于标准状态分布，即原序列服从独立同分布；BDS检验的备择假设1H为BDS(m,)统计量远离零点，此时原序列不服从独立同分布，具有非线性关系。在使用BDS进行检验之前需要通过AR等线性模型消除原始时间序列的线性关系,然后再进行BDS检验。其中，序列标准差和嵌入维数m的取值要合理，若序列标准差取值过大，检验结果会高估时间序列的非线性程度；若序列标准差取值过小，则检验结果更容易接受原假设，认为原序列服从独立同分布。
第3章股票指数序列的预分析21图3.3Hurst指数图如图3.3所示，沪深300指数的Hurst指数值为0.6大于临界值0.5。结果表明，沪深300指数的历史收盘价与当前价格存在一定的自相关性，时间序列存在一种长记忆趋势或者说正相关的特征，未来股价的趋势大概率与历史股价趋势保持一致，二者在整体趋势上呈现正相关关系,与有效市场假说中的随机游走假设相矛盾。若股指时间序列上期趋势是向上，那么下期很可能继续延续向上的趋势；若股指时间序列上期趋势是向下，那么下期很可能延续向下的趋势。这表明沪深300指数是可以预测的，但是预测沪深300股指是非常困难的。因为Hurst指数越大，股票价格序列的趋势性越强、可预测性越高，而沪深300指数的Hurst指数值为0.6与临界值0.5较为接近，说明沪深300指数的可预测程度不高。所以在实际预测中，想要准确预测股票价格指数是非常困难的，预测结果通常存在一阶时滞的问题。3.3非线性结构分析3.3.1滞后性为了更加客观的分析沪深300指数中时滞的影响，我们利用低阶滞后图和高阶滞后图进行分析，对于低阶时滞，我们选择滞后一阶，而对于高阶时滞，我们选择了Hurst指数值最大时的滞后95阶。
【参考文献】：
期刊论文
[1]分布式深度学习框架下基于性能感知的DBS-SGD算法[J]. 纪泽宇,张兴军,付哲,高柏松,李靖波. 计算机研究与发展. 2019(11)
[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]SDAE-LSTM模型在金融时间序列预测中的应用[J]. 黄婷婷,余磊. 计算机工程与应用. 2019(01)
[4]基于深度强化学习DDPG算法的投资组合管理[J]. 齐岳,黄硕华. 计算机与现代化. 2018(05)
[5]我国股票市场流动性的非线性动力学特征研究:基于分形理论的检验[J]. 尹海员,华亦朴. 管理评论. 2017(08)
[6]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)
[7]基于DBN的金融时序数据建模与决策[J]. 曾志平,萧海东,张新鹏. 计算机技术与发展. 2017(04)
[8]基于EGARCH-M模型和沪深300指数的股市风险分析[J]. 陈丽娟. 东北财经大学学报. 2010(02)
[9]收益分布尖峰厚尾问题的统计检验[J]. 边宽江,程波,王蕾蕾. 统计与决策. 2009(07)
博士论文
[1]一种金融市场预测的深度学习模型：FEPA模型[D]. 张承钊.电子科技大学 2016
本文编号：3227425
本文链接：https://www.wllwen.com/guanlilunwen/bankxd/3227425.html
