基于LSTM-SVR混合模型的股指期货价格预测方案
发布时间：2021-03-23 14:50
股指期货是以股票指数为标的物的金融期货品种,是我国金融市场的重要组成部分,在发挥着价格发现、对冲股票风险等作用的同时,也极大丰富了金融投资者的投资渠道,影响了投资者的投资策略,其作为具有独特功能的交易市场为整个经济领域提供着无可替代的作用,因而股指期货价格预测的意义重大。现有的股指期货价格预测方法主要有使用传统计量模型的时间序列分析法、支持向量机回归模型、神经网络预测方法等,但时间序列分析法难以刻画金融市场波动的随机性和复杂性,对金融时序的预测效果不佳,而支持向量机存在核函数难以选择和训练速度慢、耗时长的缺点,神经网络存在网络结构难以确定的缺点,这就使得单一模型可能存在无法完全拟合模型的情况。由此,本文提出了集成支持向量机回归模型和神经网络领域的长短时记忆模型的混合模型构建方案,旨在进一步提升股指期货价格预测的准确性。本文首先分析了中国的三种股指期货,鉴于中证500股指期货的投机性、易操纵性,本文选择了更具市场代表性的沪深300和上证50股指期货主力合约日数据来作为研究对象,同时研究两只期货产品避免了模型的偶然性。在指标选取上,将技术指标纳入模型的输入变量,综合考虑基本行情指标和技术指...
【文章来源】：上海师范大学上海市
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
图4-2支持向量回归（SVR）示意图
上海师范大学硕士学位论文第4章基于混合模型的股指期货价格预测理论框架27络结构示意图，其中，A表示RNN的主体结构，"是t时刻的输入层，"是t时刻的输出层。在t时刻，主体结构A读取t时刻的输入层数据"，经过运算学习之后输出"。图4-3简单循环神经网络结构示意图之后我们延伸图4-3的结构，如图4-4所示。RNN在每一时刻t都存在输入层"，和与之相对应的输出层"，而此时的主体结构A是根据t1时刻的主体结构A和t时刻的输入层"共同影响的，由此循环向后传递。简而言之，循环神经网络的“循环”之意就在于此。图4-4循环神经网络展开结构示意图4.2.2长短时记忆网络（LSTM）循环神经网络（RNN）的循环记忆性使之非常适用于处理时序数据，但其也存在一定的缺陷，和人的记忆一样，循环神经网络对越近的数据记忆最深，对于之前的数据会随着时刻的推移逐渐淡忘，甚至最终完全遗忘，从而影响数据处理的精度。为了解决循环神经网络的致命缺陷：长程依赖（Long-TermDependencies），Schmidhuber教授在上世纪末提出了长短时记忆网络（LongShort-TermMemory，LSTM），这是基于循环神经网络的一种改良结构，实现了同时记忆长期和短期信息的功能。长短时记忆网络LSTM是一种改进的循环神经网络，它的特殊之处在于通过引入“门（Gates）”结构来实现对信息的长期记忆和有效筛眩
上海师范大学硕士学位论文第4章基于混合模型的股指期货价格预测理论框架27络结构示意图，其中，A表示RNN的主体结构，"是t时刻的输入层，"是t时刻的输出层。在t时刻，主体结构A读取t时刻的输入层数据"，经过运算学习之后输出"。图4-3简单循环神经网络结构示意图之后我们延伸图4-3的结构，如图4-4所示。RNN在每一时刻t都存在输入层"，和与之相对应的输出层"，而此时的主体结构A是根据t1时刻的主体结构A和t时刻的输入层"共同影响的，由此循环向后传递。简而言之，循环神经网络的“循环”之意就在于此。图4-4循环神经网络展开结构示意图4.2.2长短时记忆网络（LSTM）循环神经网络（RNN）的循环记忆性使之非常适用于处理时序数据，但其也存在一定的缺陷，和人的记忆一样，循环神经网络对越近的数据记忆最深，对于之前的数据会随着时刻的推移逐渐淡忘，甚至最终完全遗忘，从而影响数据处理的精度。为了解决循环神经网络的致命缺陷：长程依赖（Long-TermDependencies），Schmidhuber教授在上世纪末提出了长短时记忆网络（LongShort-TermMemory，LSTM），这是基于循环神经网络的一种改良结构，实现了同时记忆长期和短期信息的功能。长短时记忆网络LSTM是一种改进的循环神经网络，它的特殊之处在于通过引入“门（Gates）”结构来实现对信息的长期记忆和有效筛眩
【参考文献】：
期刊论文
[1]基于LSTM神经网络的沪深300指数预测模型研究[J]. 冯宇旭,李裕梅. 数学的实践与认识. 2019(07)
[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]基于循环神经网络的股指价格预测研究[J]. 王理同,薛腾腾,王惠敏,刘震. 浙江工业大学学报. 2019(02)
[4]基于LSTM的股票价格预测建模与分析[J]. 彭燕,刘宇红,张荣芬. 计算机工程与应用. 2019(11)
[5]金融时间序列组合预测模型与方法[J]. 吴晓峰,陈垚彤,赵桂彩. 中国市场. 2019(09)
[6]基于神经网络集成学习股票预测模型的研究[J]. 谢琪,程耕国,徐旭. 计算机工程与应用. 2019(08)
[7]基于GRA-CS-BP算法的期货价格预测[J]. 王海军,金涛,林志伟. 数学的实践与认识. 2018(24)
[8]基于GM-RBF神经网络的股票价格预测分析[J]. 刘述忠. 计算机与现代化. 2018(08)
[9]基于特征选取与LSTM模型的股指预测方法研究[J]. 陈佳,刘冬雪,武大硕. 计算机工程与应用. 2019(06)
[10]基于LSTM-Adaboost模型的商品期货投资策略研究[J]. 邸浩,赵学军,张自力. 南方金融. 2018(08)
博士论文
[1]组合预测方法及其应用研究[D]. 马涛.兰州大学 2017
硕士论文
[1]沪深300股指期货价格预测研究[D]. 吴迪.沈阳工业大学 2018
[2]基于神经网络的股指期货价格预测研究与应用[D]. 胡文鹏.湖南大学 2018
[3]基于多预测模型的中国—东盟进出口贸易额研究[D]. 邓洋洋.厦门大学 2018
[4]基于LSTM和灰色模型集成的短期交通流预测[D]. 谈苗苗.南京邮电大学 2017
[5]基于混合模型的股票趋势预测方法研究[D]. 吴少聪.哈尔滨工业大学 2017
[6]沪深300股指期货价格预测的实证研究[D]. 陈倩文.东北财经大学 2016
[7]神经网络和深度学习在量化投资中的应用[D]. 白凯敏.山东大学 2016
[8]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
[9]神经网络在股指期货中的应用[D]. 徐鹏.对外经济贸易大学 2007
本文编号：3095986
【文章来源】：上海师范大学上海市
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
图4-2支持向量回归（SVR）示意图
上海师范大学硕士学位论文第4章基于混合模型的股指期货价格预测理论框架27络结构示意图，其中，A表示RNN的主体结构，"是t时刻的输入层，"是t时刻的输出层。在t时刻，主体结构A读取t时刻的输入层数据"，经过运算学习之后输出"。图4-3简单循环神经网络结构示意图之后我们延伸图4-3的结构，如图4-4所示。RNN在每一时刻t都存在输入层"，和与之相对应的输出层"，而此时的主体结构A是根据t1时刻的主体结构A和t时刻的输入层"共同影响的，由此循环向后传递。简而言之，循环神经网络的“循环”之意就在于此。图4-4循环神经网络展开结构示意图4.2.2长短时记忆网络（LSTM）循环神经网络（RNN）的循环记忆性使之非常适用于处理时序数据，但其也存在一定的缺陷，和人的记忆一样，循环神经网络对越近的数据记忆最深，对于之前的数据会随着时刻的推移逐渐淡忘，甚至最终完全遗忘，从而影响数据处理的精度。为了解决循环神经网络的致命缺陷：长程依赖（Long-TermDependencies），Schmidhuber教授在上世纪末提出了长短时记忆网络（LongShort-TermMemory，LSTM），这是基于循环神经网络的一种改良结构，实现了同时记忆长期和短期信息的功能。长短时记忆网络LSTM是一种改进的循环神经网络，它的特殊之处在于通过引入“门（Gates）”结构来实现对信息的长期记忆和有效筛眩
上海师范大学硕士学位论文第4章基于混合模型的股指期货价格预测理论框架27络结构示意图，其中，A表示RNN的主体结构，"是t时刻的输入层，"是t时刻的输出层。在t时刻，主体结构A读取t时刻的输入层数据"，经过运算学习之后输出"。图4-3简单循环神经网络结构示意图之后我们延伸图4-3的结构，如图4-4所示。RNN在每一时刻t都存在输入层"，和与之相对应的输出层"，而此时的主体结构A是根据t1时刻的主体结构A和t时刻的输入层"共同影响的，由此循环向后传递。简而言之，循环神经网络的“循环”之意就在于此。图4-4循环神经网络展开结构示意图4.2.2长短时记忆网络（LSTM）循环神经网络（RNN）的循环记忆性使之非常适用于处理时序数据，但其也存在一定的缺陷，和人的记忆一样，循环神经网络对越近的数据记忆最深，对于之前的数据会随着时刻的推移逐渐淡忘，甚至最终完全遗忘，从而影响数据处理的精度。为了解决循环神经网络的致命缺陷：长程依赖（Long-TermDependencies），Schmidhuber教授在上世纪末提出了长短时记忆网络（LongShort-TermMemory，LSTM），这是基于循环神经网络的一种改良结构，实现了同时记忆长期和短期信息的功能。长短时记忆网络LSTM是一种改进的循环神经网络，它的特殊之处在于通过引入“门（Gates）”结构来实现对信息的长期记忆和有效筛眩
【参考文献】：
期刊论文
[1]基于LSTM神经网络的沪深300指数预测模型研究[J]. 冯宇旭,李裕梅. 数学的实践与认识. 2019(07)
[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]基于循环神经网络的股指价格预测研究[J]. 王理同,薛腾腾,王惠敏,刘震. 浙江工业大学学报. 2019(02)
[4]基于LSTM的股票价格预测建模与分析[J]. 彭燕,刘宇红,张荣芬. 计算机工程与应用. 2019(11)
[5]金融时间序列组合预测模型与方法[J]. 吴晓峰,陈垚彤,赵桂彩. 中国市场. 2019(09)
[6]基于神经网络集成学习股票预测模型的研究[J]. 谢琪,程耕国,徐旭. 计算机工程与应用. 2019(08)
[7]基于GRA-CS-BP算法的期货价格预测[J]. 王海军,金涛,林志伟. 数学的实践与认识. 2018(24)
[8]基于GM-RBF神经网络的股票价格预测分析[J]. 刘述忠. 计算机与现代化. 2018(08)
[9]基于特征选取与LSTM模型的股指预测方法研究[J]. 陈佳,刘冬雪,武大硕. 计算机工程与应用. 2019(06)
[10]基于LSTM-Adaboost模型的商品期货投资策略研究[J]. 邸浩,赵学军,张自力. 南方金融. 2018(08)
博士论文
[1]组合预测方法及其应用研究[D]. 马涛.兰州大学 2017
硕士论文
[1]沪深300股指期货价格预测研究[D]. 吴迪.沈阳工业大学 2018
[2]基于神经网络的股指期货价格预测研究与应用[D]. 胡文鹏.湖南大学 2018
[3]基于多预测模型的中国—东盟进出口贸易额研究[D]. 邓洋洋.厦门大学 2018
[4]基于LSTM和灰色模型集成的短期交通流预测[D]. 谈苗苗.南京邮电大学 2017
[5]基于混合模型的股票趋势预测方法研究[D]. 吴少聪.哈尔滨工业大学 2017
[6]沪深300股指期货价格预测的实证研究[D]. 陈倩文.东北财经大学 2016
[7]神经网络和深度学习在量化投资中的应用[D]. 白凯敏.山东大学 2016
[8]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
[9]神经网络在股指期货中的应用[D]. 徐鹏.对外经济贸易大学 2007
本文编号：3095986
本文链接：https://www.wllwen.com/guanlilunwen/huobilw/3095986.html
