基于降维和机器学习模型的沪深300指数预测

发布时间：2023-03-19 08:39

　　近年来,在全球重视被动投资的大背景下,指数化投资已经成为资产管理领域重要的发展趋势。投资者希望通过股指交易对冲风险或获利,监管者希望市场平稳运行,这些都需要对股市指数走势有正确的判断。沪深300指数作为中国股市大盘指数中最热门的追踪指数之一,分析和预测其发展趋势有利于政府提前了解市场发展状况,以及时规避重大风险,促进市场健康发展,并能够为投资者判断指数型产品的买卖时机提供辅助。股票预测领域中以往常用的预测模型有人工神经网络(ANN)、SVM和随机森林等。随着深度学习的发展,深度学习模型如CNN、LSTM等,在计算机视觉和自然语言处理等方面展现出很大的优势,同时也逐步应用到金融时间序列的研究中。同时由于自动提取特征的算法的出现,最近的研究者越来越倾向于使用深度学习模型对股票市场进行研究。然而无论是以往常用的金融预测模型还是现在的深度学习模型,对它们的研究大多仅使用了市场中的技术指标或历史价格数据,而没有考虑宏观经济环境以及其他股票市场对A股市场的影响,忽略了那些有可能为股指预测性能提升带来帮助的信息来源。本文选择多种来源的指标作为预测股指的初始特征,包括股指本身的基本特征、技术指标、A股...

【文章页数】：80 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
1 绪论
    1.1 研究背景与意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 研究综述
        1.2.1 机器学习模型在股市预测中的应用
        1.2.2 深度学习模型在股市预测中的应用
        1.2.3 降维技术在股市预测中的应用
        1.2.4 综述小结
    1.3 研究内容和创新点
        1.3.1 研究内容
        1.3.2 创新点
    1.4 论文组织结构
2 股市预测分析和模型介绍
    2.1 股市预测问题分析
    2.2 模型介绍
        2.2.1 卷积神经网络
        2.2.2 长短期记忆网络
        2.2.3 机器学习模型
    2.3 降维技术介绍
        2.3.1 PCA
        2.3.2 KPCA
        2.3.3 瓶颈神经网络
    2.4 模型评估指标
        2.4.1 混淆矩阵
        2.4.2 损失
3 指数预测的特征集数据处理
    3.1 变量说明
        3.1.1 原始特征
        3.1.2 数据标签
    3.2 数据预处理
        3.2.1 不同步数据处理
        3.2.2 归一化
    3.3 数据探索性分析
        3.3.1 正态性检验
        3.3.2 相关性分析
    3.4 特征工程
        3.4.1 特征选择
        3.4.2 特征提取
4 沪深300指数预测
    4.1 超参数设置
        4.1.1 超参数说明
        4.1.2 超参数选择方法
    4.2 基于CNN预测指数方向
        4.2.1 模型描述
        4.2.2 模型构建
        4.2.3 CNN预测
    4.3 基于LSTM预测指数方向
        4.3.1 模型构建
        4.3.2 LSTM预测
    4.4 机器学习模型预测指数方向
        4.4.1 Logistic回归模型
        4.4.2 多层感知机
        4.4.3 ANN
        4.4.4 降维方法比较
    4.5 模型比较与分析
        4.5.1 模型预测效果比较
        4.5.2 结果讨论
5 总结与展望
    5.1 总结
    5.2 后续工作的展望
参考文献
附录
致谢



本文编号：3764937