基于ARIMA-BP-LSTM模型对上证50指数涨跌分析

发布时间：2024-03-12 00:20

　　从1990年沪深交易所开盘到现在,中国的证券市场虽然已过了30年的起伏,但随着中国资本市场改革的深入和基本管理制度的健全,我国的沪深市场不断完善,在完善的过程中也吸引了国外的风险资本、金融资本以及国内市场的居民资本。这些资本对我国沪深市场的稳定性和价值性认同度加深,参与的热情也稳步提高。与此同时,如何运用计量手段对股票价格进行合理预测的研究也随之兴起。通过揭示股票价格的走向,引导理性投资、价值投资,对活跃资本市场和稳定经济全局存在重要的应用价值。现有的主流做法中,如何对股票价格进行精准预测,目前的做法主要是时间序列预测和神经网络预测这两种。时间序列分析法,利用股票市场周期性强的特点,仅需要近期价格数据就可以对未来趋势就行模拟,应用简单,对短期预测较为准确,但长期可能会存在一定偏差;神经网络分析法,将股票市场看作一个非线性的整体系统,具有自我学习能力和自适应能力强、容错率较高的优点,但是在实际应用中也出现了收敛速度慢等问题。因此,运用单一方法对股票价格趋势预测是非常困难的,所以在本文中同时构建了 ARIMA模式、BP神经网络模式和长短时间记忆神经网络模式,对上证50指数进行了预测,并探讨...

【文章页数】：48 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    第一节 研究背景
    第二节 研究目的和研究意义
        一、研究目的
        二、研究意义
    第三节 论文结构和内容安排
    第四节 创新点
第二章 文献综述
    第一节 金融市场价格预测文献综述
        一、时间序列法
        二、神经网络模型预测法
    第二节 投资者情绪研究
    第三节 文献评述
第三章 理论分析与分析方法
    第一节 金融市场理论和深度学习预测理论
        一、技术分析理论
        二、行为金融学理论
        三、深度学习预测理论
    第二节 ARIMA时间序列模型
    第三节 BP神经网络模型
    第四节 LSTM神经网络模型
        一、LSTM神经网络模型的结构
        二、LSTM神经网络模型的优点
        三、深度学习模型的优化方法
    第五节 理论小结
第四章 模型构建及结果分析
    第一节 ARIMA时间序列模型设计及结果分析
        一、模型构建与定阶
        二、残差检验
        三、数据处理
        四、结果分析
    第二节 BP神经网络模型
        一、BP神经网络模型设计
        二、BP神经网络模型数据处理
        三、结果分析
第五章 LSTM神经网络模型的数据处理和模型构建
    第一节 LSTM模型数据选取及处理
        一、LSTM模型数据集的选取说明
        二、输入特征的选择
        三、LSTM神经网络模型数据预处理
    第二节 LSTM神经网络模型设计
        一、输入层和输出层的选择
        二、隐含层的设计
        三、LSTM模型的训练集和测试集对比
    第三节 预测模型结果对比
    第四节 沪深300指数的验证
第六章 结论与展望
    第一节 研究结论
    第二节 不足之处和展望
参考文献
致谢
学位论文评阅及答辩情况表



本文编号：3926247