基于深度学习的多因子股票风险预测方法研究

发布时间：2021-01-19 02:23

　　近年来,深度学习方法在金融领域的广泛应用极大推动了股票相关预测技术的发展。股票风险作为衡量股票投资价值的重要因素,其有效预测能够帮助投资者完善投资风险评估,稳定收益。为了进一步提高预测模型对股票风险的敏感性与预测准确性,本文将量化选股策略中的多因子模型思想引入其中,并加入了多种能反映股票风险特征的新因子,同时针对目前研究及应用中存在的问题进行了改进。本文主要内容及贡献如下:（1）针对传统预测模型在特征选择上过分依赖已有结构化数据指标的问题,本文构建出了一套以券商研究报告为主要特征来源的多因子库。其中券商研究报告作为券商机构针对个股发布的专业性分析报告,能够对投资者行为、股票市场带来一系列波动和影响。其内容中包含的个股投资推荐等级、盈利预测等非结构化数据都可作为股票风险预测的重要因素。同时,本文还设计实现了一套单因子测试框架,从领域知识出发,完成了对特征因子的测试与筛选。（2）针对一般长短期记忆网络（Long Short-Term Memory,LSTM）模型处理多因子输入与长短期历史信息结合的问题,本文在单层LSTM预测模型中,一方面通过改变其输入层、隐藏层、输出层的映射关系,使其适应... 

【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校

【文章页数】：94 页

【学位级别】：硕士

【部分图文】：

多层感知器结构及前向传播

, 。 2.4.2 卷积神经网络 卷积神经网络（Convolutional Neural Network，CNN）[22]作为多层前馈神经网络的改良模型，通过局部连通性和参数共享的方式降低了整个模型中的参数，成为了一种颇具吸引力的神经网络结构，特别是在图像和语音识别领域得到了广泛的应用。在单层 CNN 中，每个网络包括了卷积、非线性变化以及下采样三个阶段，下图为单层 CNN 特征提取过程示意图。

值，那么层 i 单元的输入加权和，， , ( ) = ( )= ( ( ))。 2.4.2 卷积神经网络 卷积神经网络（Convolutional Neural Network，CNN）[22]作为多层前馈神经网络的改良模型，通过局部连通性和参数共享的方式降低了整个模型中的参数，成为了一种颇具吸引力的神经网络结构，特别是在图像和语音识别领域得到了广泛的应用。在单层 CNN 中，每个网络包括了卷积、非线性变化以及下采样三个阶段，下图为单层 CNN 特征提取过程示意图。

【参考文献】：
期刊论文
[1]时间序列预测模型研究综述[J]. 张美英,何杰.  数学的实践与认识. 2011(18)
[2]支持向量机在股票价格预测中的应用[J]. 张玉川,张作泉.  北京交通大学学报. 2007(06)
[3]股票收益随机波动模型研究[J]. 沈根祥.  中国管理科学. 2003(02)
[4]中国股票市场波动的非线性GARCH预测模型[J]. 魏巍贤,周晓明.  预测. 1999(05)



本文编号：2986146