基于LSTM改进模型的股票预测研究
发布时间：2021-11-14 12:44
随着我国经济的飞速发展及人们投资意识的增强,股票成为日常生活中重要的投资方式之一。然而股票高风险的性质会为投资者带来巨大隐患,因此预测股票市场走势对于投资者来说具有重要意义。众所周知,股票是一个多要素的复杂系统。在利用技术方法建立股票预测模型时,由于存在输入数据变量较多、数据信息有重叠、异常值对训练影响较大等问题,模型训练速度慢且不能很好的学习到数据中隐含的规律。而且股票预测模型本身还存在着参数难以确定、在股票预测领域专用性低等问题,这些经常导致训练的股票预测模型泛化性差,预测效果欠佳。针对上述问题,本文提出选用z-score标准化方法对基础数据进行处理,消除股票数据中数值大、量纲不同、异常值等问题对训练的影响。利用主成分分析法将基础数据降维,在保留原有信息的同时降低数据维度并消除各项指标间的相关性,提高模型的分析效率与预测精度。再结合股票相关技术指标算法KDJ与MACD,通过计算得到能够表示数据中更深层隐含规律的技术指标。将各项指标值一同作为输入数据,从样本质量的角度降低模型的学习难度,提高学习效率与学习能力。同时在LSTM神经网络内部根据股票特性对神经网络结构与模型中各项参数进行调...
【文章来源】：重庆理工大学重庆市
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
整体结构
2相关技术13图2.1KDJ指标示意图D线作为慢速主干线，D值的正常波动范围在20至80之间。D值大于80时为超买，说明投资者对该股过度买入。当D值小于20时为超卖，说明投资者对该股过度卖出。同理，快速线K值的正常波动区间为10至90之间，90以上为超买，10以下为超卖。K值与D值不仅可以反映出市场的超买超卖程度，还能通过两条线的交叉突破发出买卖信号。上涨趋势中，K线向上突破D线的交叉点称为“金叉”，为买入信号。下跌趋势中，K线向下跌破D线的交叉点被称为“死叉”，为卖出信号。将二者结合进行判断，K、D线在超买区或超卖区相交，则提供的买卖信号更加有效。2.3.2异同移动平均线（MACD）MACD指标也是一种跟踪股票价格变化趋势、展现买卖时机的技术分析指标，由快速与慢速两条移动平均线的聚合与分离状况代表市场趋势的变化，辅助投资者进行判断。比起传统的移动平均线分析方法，MACD指标在对短期与长期股票价格的收盘价进行平滑处理之后，得到二者的离差值（DIF）后再次进行平滑处理。既解决了移动平均线频繁发出假信号的问题，又保留了移动平均线的效果。因其稳重、安定的特性，在股票市场长期趋势分析中应用广泛。()=1+1()+2+1（2.5）=(12)(26)（2.6）=1+1+（2.7）其中n为移动平均值的天数，C为当日收盘价，短期收盘价的天数n一般选择12
重庆理工大学硕士学位论文14日，长期收盘价的天数一般选择26日，由它们的离差值（DIF）与离差值的9日移动平均值（DEA）经过计算最终得到MACD指标。PEMA与PDEA为前一日的EMA与DEA。=()2（2.8）MACD指标主要是通过移动平均值（EMA）、离差值（DIF）和离差值的9日移动平均值（DEA）这三者之间的关系，以离差值为主导，离差值的9日移动平均值为辅助进行分析判断。差离值等于短期EMA数值减去长期EMA数值，在短期内持续的涨势中，12日的EMA要高于26日的EMA，二者间的正差离值会变大。反之在跌势中，差离值会减小甚至是负值。在一波上涨或者下跌的趋势之后，当差离值的绝对值缩小到一定程度的时候，则是行情反转的信号。在实际分析应用中，DIF线向上突破DEA线的交叉点为“金叉”，为买入信号。DIF线向下跌破DEA线的交叉点为“死叉”，为卖出信号。除此之外，根据MACD值绘制的红绿柱状图也可以直观地表明市场趋势。图2.2MACD指标示意图2.4股票价格预测技术分析方法2.4.1长短期记忆神经网络（LSTM）长期短期记忆神经网络（LSTM），是一种循环神经网络，适用于处理和预测时间
【参考文献】：
期刊论文
[1]基于树结构长短期记忆神经网络的金融时间序列预测[J]. 姚小强,侯志森. 计算机应用. 2018(11)
[2]机器学习技术的发展趋势探析[J]. 谭春波,徐伟,孙丽. 计算机产品与流通. 2018(09)
[3]基于正则化LSTM模型的股票指数预测[J]. 任君,王建华,王传美,王建祥. 计算机应用与软件. 2018(04)
[4]使用灰色模型预测股票价格走势[J]. 何春雪,李惠禹,姜楠,姜山,吴奕璇,黄匀一. 企业科技与发展. 2018(04)
[5]基于灰色GARCH模型和BP神经网络的股票价格预测[J]. 曹晓,孙红兵. 软件. 2017(11)
[6]基于长短期记忆神经网络的短期负荷预测方法[J]. 刘桐彤. 黑龙江科技信息. 2016(31)
[7]股市预期的短期波动与长期记忆性研究——基于新浪网股市调查数据[J]. 许毓坤,于洋. 温州大学学报(社会科学版). 2016(02)
[8]关于金融证券传统K线图的改进建议[J]. 朱安远,朱婧姝. 中国市场. 2015(19)
[9]深度学习研究进展[J]. 刘建伟,刘媛,罗雄麟. 计算机应用研究. 2014(07)
[10]浅谈基本面分析和技术分析在股票市场的应用[J]. 扈香梅. 新西部(理论版). 2014(05)
博士论文
[1]基于行为金融学的股票市场投资者行为研究[D]. 李静.中国社会科学院研究生院 2012
硕士论文
[1]基于改进自编码网络的空气污染物时序预测关键问题研究[D]. 金玉鹏.上海师范大学 2019
[2]基于LSTM和投资者情绪的股票行情预测研究[D]. 周凌寒.华中师范大学 2018
[3]基于长短期记忆网络的行人属性识别[D]. 郑伟雄.天津大学 2018
[4]基于LSTM深度神经网络的股市时间序列预测精度的影响因素研究[D]. 毛景慧.暨南大学 2017
[5]基于主成分分析和BP神经网络算法的综合选股实证研究[D]. 兰强太.暨南大学 2017
[6]股市常用技术分析方法的有效性实证研究[D]. 王劲松.西南财经大学 2010
本文编号：3494661
【文章来源】：重庆理工大学重庆市
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
整体结构
2相关技术13图2.1KDJ指标示意图D线作为慢速主干线，D值的正常波动范围在20至80之间。D值大于80时为超买，说明投资者对该股过度买入。当D值小于20时为超卖，说明投资者对该股过度卖出。同理，快速线K值的正常波动区间为10至90之间，90以上为超买，10以下为超卖。K值与D值不仅可以反映出市场的超买超卖程度，还能通过两条线的交叉突破发出买卖信号。上涨趋势中，K线向上突破D线的交叉点称为“金叉”，为买入信号。下跌趋势中，K线向下跌破D线的交叉点被称为“死叉”，为卖出信号。将二者结合进行判断，K、D线在超买区或超卖区相交，则提供的买卖信号更加有效。2.3.2异同移动平均线（MACD）MACD指标也是一种跟踪股票价格变化趋势、展现买卖时机的技术分析指标，由快速与慢速两条移动平均线的聚合与分离状况代表市场趋势的变化，辅助投资者进行判断。比起传统的移动平均线分析方法，MACD指标在对短期与长期股票价格的收盘价进行平滑处理之后，得到二者的离差值（DIF）后再次进行平滑处理。既解决了移动平均线频繁发出假信号的问题，又保留了移动平均线的效果。因其稳重、安定的特性，在股票市场长期趋势分析中应用广泛。()=1+1()+2+1（2.5）=(12)(26)（2.6）=1+1+（2.7）其中n为移动平均值的天数，C为当日收盘价，短期收盘价的天数n一般选择12
重庆理工大学硕士学位论文14日，长期收盘价的天数一般选择26日，由它们的离差值（DIF）与离差值的9日移动平均值（DEA）经过计算最终得到MACD指标。PEMA与PDEA为前一日的EMA与DEA。=()2（2.8）MACD指标主要是通过移动平均值（EMA）、离差值（DIF）和离差值的9日移动平均值（DEA）这三者之间的关系，以离差值为主导，离差值的9日移动平均值为辅助进行分析判断。差离值等于短期EMA数值减去长期EMA数值，在短期内持续的涨势中，12日的EMA要高于26日的EMA，二者间的正差离值会变大。反之在跌势中，差离值会减小甚至是负值。在一波上涨或者下跌的趋势之后，当差离值的绝对值缩小到一定程度的时候，则是行情反转的信号。在实际分析应用中，DIF线向上突破DEA线的交叉点为“金叉”，为买入信号。DIF线向下跌破DEA线的交叉点为“死叉”，为卖出信号。除此之外，根据MACD值绘制的红绿柱状图也可以直观地表明市场趋势。图2.2MACD指标示意图2.4股票价格预测技术分析方法2.4.1长短期记忆神经网络（LSTM）长期短期记忆神经网络（LSTM），是一种循环神经网络，适用于处理和预测时间
【参考文献】：
期刊论文
[1]基于树结构长短期记忆神经网络的金融时间序列预测[J]. 姚小强,侯志森. 计算机应用. 2018(11)
[2]机器学习技术的发展趋势探析[J]. 谭春波,徐伟,孙丽. 计算机产品与流通. 2018(09)
[3]基于正则化LSTM模型的股票指数预测[J]. 任君,王建华,王传美,王建祥. 计算机应用与软件. 2018(04)
[4]使用灰色模型预测股票价格走势[J]. 何春雪,李惠禹,姜楠,姜山,吴奕璇,黄匀一. 企业科技与发展. 2018(04)
[5]基于灰色GARCH模型和BP神经网络的股票价格预测[J]. 曹晓,孙红兵. 软件. 2017(11)
[6]基于长短期记忆神经网络的短期负荷预测方法[J]. 刘桐彤. 黑龙江科技信息. 2016(31)
[7]股市预期的短期波动与长期记忆性研究——基于新浪网股市调查数据[J]. 许毓坤,于洋. 温州大学学报(社会科学版). 2016(02)
[8]关于金融证券传统K线图的改进建议[J]. 朱安远,朱婧姝. 中国市场. 2015(19)
[9]深度学习研究进展[J]. 刘建伟,刘媛,罗雄麟. 计算机应用研究. 2014(07)
[10]浅谈基本面分析和技术分析在股票市场的应用[J]. 扈香梅. 新西部(理论版). 2014(05)
博士论文
[1]基于行为金融学的股票市场投资者行为研究[D]. 李静.中国社会科学院研究生院 2012
硕士论文
[1]基于改进自编码网络的空气污染物时序预测关键问题研究[D]. 金玉鹏.上海师范大学 2019
[2]基于LSTM和投资者情绪的股票行情预测研究[D]. 周凌寒.华中师范大学 2018
[3]基于长短期记忆网络的行人属性识别[D]. 郑伟雄.天津大学 2018
[4]基于LSTM深度神经网络的股市时间序列预测精度的影响因素研究[D]. 毛景慧.暨南大学 2017
[5]基于主成分分析和BP神经网络算法的综合选股实证研究[D]. 兰强太.暨南大学 2017
[6]股市常用技术分析方法的有效性实证研究[D]. 王劲松.西南财经大学 2010
本文编号：3494661
本文链接：https://www.wllwen.com/guanlilunwen/huobilw/3494661.html
