基于深度学习的黄金期货价格涨跌的预测
发布时间：2020-12-16 21:37
黄金期货是交易市场上的一个投资品种,不管是对套期保值,还是维护金融稳定等,都有着很重要的作用,对其价格波动进行预测也极具现实意义。目前,各学者或者投资者对于期货市场的研究,一方面的分析基于市场基本面,比如,分析国家在一段时间内制定的政策、商品的供给和需求、投资者在投资过程中的投机心理等,一般来说,这类分析方法较主观,难以定量分析。另一方面的分析基于金融市场的定量数据,使用定量数据构造模型来研究期货市场,和基本面分析不同,这类方法较为客观,说服力较强,所以本文选用该方法研究黄金期货市场。黄金期货价格序列是一个时间序列,金融数据普遍有集群效应,本文考虑先使用AR-GARCH模型对序列进行建模。因为黄金期货价格的波动是一个非常复杂的非线性动力系统,预测黄金期货价格涨跌,如果采用传统计量经济学模型刻画,会存在各种困难,近年来机器学习和深度学习在处理非线性时间序列的学习方面有很好的表现,为了方便和AR-GARCH模型作比较,本文首先构造基于黄金期货历史结算价的单因素LSTM模型。再引入多个可能影响黄金期货价格的因素,进行数据预处理后,构建基于多因素的SVR模型和LSTM模型,分析其对黄金期货价格...
【文章来源】： 方招娣 上海师范大学
【文章页数】：54 页
【学位级别】：硕士
【部分图文】：
全连接神经网络例子
上海师范大学硕士学位论文第3章数据预处理与变量选择27图3-1碎石图同时从表3-3结果可得出，前3个主成分的累积贡献率为83.74%，即它们代表了原来7个变量83.74%的信息。表3-3主成分方差贡献成分特征值方差贡献率累积方差贡献率13.013497670.43050.430522.054790330.29350.724030.793416600.11330.837440.424355920.06060.898050.348445610.04980.947860.298135930.04260.990470.067357930.00961.0000根据各个变量在主成分上的载荷矩阵可以得出3个主成分的表达，载荷矩阵如表3-4所示：表3-4变量主成分载荷变量名称第一主成分第二主成分第三主成分AUL8_VOL0.1771980.419007-0.775325AGL8_CP-0.2407820.5013780.435890SILVER_ETF0.0818500.5982520.314375SSD0.448772-0.2093390.291215UST10Y-0.369367-0.4064950.026884CONC-0.5466160.057226-0.030014DXY0.517019-0.0530180.153657
上海师范大学硕士学位论文第4章黄金期货价格波动预测与结果分析304.1.1AR-GARCH模型检验本文选取从2013年9月10日到2019年12月6日之间的1520个AUL8日结算数据作为样本进行研究。一般来说，使用7:3至8:2的数据作为训练数据和测试数据，所以本文在进行分析之前，先选取其中的前1200条数据作为训练数据，后320条数据作为测试数据。在训练集上，首先做出该序列的时序图，其输出如图4-1所示。图4-1AUL8结算价时序图由时序图可知，AUL8序列从2013年9月到2016年具有递减趋势，而从2016年到2019年具有递增趋势，是一个非平稳时间序列。同时，对该序列进行一阶差分，考察一阶差分后的序列时序图如图4-2所示。由图4-2可知，该序列没有显著的非平稳特性，围绕在零值附近波动，这是一阶自相关的典型特征，可以尝试构造线性自相关函数。同时，在某些时段，如2014年之前的某些时段、2016年1月至3月、2017年1月份左右等，序列的波动很大，可以判断该序列有显著的集群效应特征。
【参考文献】：
期刊论文
[1]基于人工神经网络的沪锌期货价格预测研究[J]. 林杰,龚正. 财经理论与实践. 2017(02)
[2]我国黄金期货与现货价格关系的研究[J]. 闫杰,姜忠鹤,卢小广. 价格理论与实践. 2016(10)
[3]基于广义回归神经网络的黄金价格预测研究[J]. 张同钰. 中国集体经济. 2016(01)
[4]深度学习的研究与发展[J]. 张建明,詹智财,成科扬,詹永照. 江苏大学学报(自然科学版). 2015(02)
[5]中国黄金期货价格影响因素研究[J]. 杨胜刚,陈帅立,王盾. 财经理论与实践. 2014(03)
[6]我国黄金期货市场价格影响因素研究[J]. 沙青,张晓东. 时代金融. 2013(24)
[7]基于支持向量机的中国股指期货回归预测研究[J]. 赛英,张凤廷,张涛. 中国管理科学. 2013(03)
[8]黄金价格影响因素的实证分析[J]. 周舞舞. 生产力研究. 2013(05)
[9]国际黄金期货价格决定要素的实证分析[J]. 冯辉,张蜀林. 中国管理科学. 2012(S1)
[10]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正. 计算机应用研究. 2012(08)
硕士论文
[1]混沌时序黄金期货价格预测研究[D]. 李超.暨南大学 2018
[2]ARIMA模型和AR-GARCH模型的应用研究[D]. 熊晶晶.华中师范大学 2018
[3]我国黄金期货价格影响因素实证研究[D]. 张严予.华中师范大学 2017
[4]基于深度学习之股指期货交易[D]. 杨杰群.中国科学技术大学 2015
[5]影响黄金价格的长期因素分析[D]. 宋海粟.复旦大学 2013
本文编号：2920819
【文章来源】： 方招娣 上海师范大学
【文章页数】：54 页
【学位级别】：硕士
【部分图文】：
全连接神经网络例子
上海师范大学硕士学位论文第3章数据预处理与变量选择27图3-1碎石图同时从表3-3结果可得出，前3个主成分的累积贡献率为83.74%，即它们代表了原来7个变量83.74%的信息。表3-3主成分方差贡献成分特征值方差贡献率累积方差贡献率13.013497670.43050.430522.054790330.29350.724030.793416600.11330.837440.424355920.06060.898050.348445610.04980.947860.298135930.04260.990470.067357930.00961.0000根据各个变量在主成分上的载荷矩阵可以得出3个主成分的表达，载荷矩阵如表3-4所示：表3-4变量主成分载荷变量名称第一主成分第二主成分第三主成分AUL8_VOL0.1771980.419007-0.775325AGL8_CP-0.2407820.5013780.435890SILVER_ETF0.0818500.5982520.314375SSD0.448772-0.2093390.291215UST10Y-0.369367-0.4064950.026884CONC-0.5466160.057226-0.030014DXY0.517019-0.0530180.153657
上海师范大学硕士学位论文第4章黄金期货价格波动预测与结果分析304.1.1AR-GARCH模型检验本文选取从2013年9月10日到2019年12月6日之间的1520个AUL8日结算数据作为样本进行研究。一般来说，使用7:3至8:2的数据作为训练数据和测试数据，所以本文在进行分析之前，先选取其中的前1200条数据作为训练数据，后320条数据作为测试数据。在训练集上，首先做出该序列的时序图，其输出如图4-1所示。图4-1AUL8结算价时序图由时序图可知，AUL8序列从2013年9月到2016年具有递减趋势，而从2016年到2019年具有递增趋势，是一个非平稳时间序列。同时，对该序列进行一阶差分，考察一阶差分后的序列时序图如图4-2所示。由图4-2可知，该序列没有显著的非平稳特性，围绕在零值附近波动，这是一阶自相关的典型特征，可以尝试构造线性自相关函数。同时，在某些时段，如2014年之前的某些时段、2016年1月至3月、2017年1月份左右等，序列的波动很大，可以判断该序列有显著的集群效应特征。
【参考文献】：
期刊论文
[1]基于人工神经网络的沪锌期货价格预测研究[J]. 林杰,龚正. 财经理论与实践. 2017(02)
[2]我国黄金期货与现货价格关系的研究[J]. 闫杰,姜忠鹤,卢小广. 价格理论与实践. 2016(10)
[3]基于广义回归神经网络的黄金价格预测研究[J]. 张同钰. 中国集体经济. 2016(01)
[4]深度学习的研究与发展[J]. 张建明,詹智财,成科扬,詹永照. 江苏大学学报(自然科学版). 2015(02)
[5]中国黄金期货价格影响因素研究[J]. 杨胜刚,陈帅立,王盾. 财经理论与实践. 2014(03)
[6]我国黄金期货市场价格影响因素研究[J]. 沙青,张晓东. 时代金融. 2013(24)
[7]基于支持向量机的中国股指期货回归预测研究[J]. 赛英,张凤廷,张涛. 中国管理科学. 2013(03)
[8]黄金价格影响因素的实证分析[J]. 周舞舞. 生产力研究. 2013(05)
[9]国际黄金期货价格决定要素的实证分析[J]. 冯辉,张蜀林. 中国管理科学. 2012(S1)
[10]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正. 计算机应用研究. 2012(08)
硕士论文
[1]混沌时序黄金期货价格预测研究[D]. 李超.暨南大学 2018
[2]ARIMA模型和AR-GARCH模型的应用研究[D]. 熊晶晶.华中师范大学 2018
[3]我国黄金期货价格影响因素实证研究[D]. 张严予.华中师范大学 2017
[4]基于深度学习之股指期货交易[D]. 杨杰群.中国科学技术大学 2015
[5]影响黄金价格的长期因素分析[D]. 宋海粟.复旦大学 2013
本文编号：2920819
本文链接：https://www.wllwen.com/guanlilunwen/huobilw/2920819.html
