基于GRU-LSTM混合模型的PTA期货价格预测研究

发布时间：2023-06-01 02:24

　　在经济社会发展中各个领域都与大宗商品有着密切的联系,大宗商品的价格变化不仅会直接影响着产业链中企业的经济效益,而且在全球化成为主流趋势并且竞争日益激烈的国际社会中对大宗商品的定价权的掌握以及价格合理的预期会对一个国家的外贸起着显著的影响,因此期货也会在经济金融发展过程中扮演着越来越重要的角色。影响期货价格的因素纷繁复杂,在大数据时代为了从中有效的提取更多有价值的信息需要采用一定的技术手段,深度学习模型为这一需求提供可能。本文选取商品期货精对苯二甲酸(PTA)作为研究对象,样本数据来源于wind数据库,包括PTA的基本面因子包括五个子类供应类、需求类、价格类、库存类和宏观经济类因子共计29个指标以及22个技术类指标。时间段位于2013年10月30日—2020年12月7日之间共计1734天的时间序列数据。在预测方法上,本文选取了四种基本的神经网络模型:BP神经网络、RNN神经网络、长短记忆神经网络(LSTM)、门控制循环神经网络(GRU),为了提高预测精度在此基础上构建GRU—LSTM混合神经网络进行预测,采用均方误差MSE(Mean Squared Error)来表示模型的预测准确性。最...

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 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 国内外研究现状及分析
        1.2.1 国外研究现状
        1.2.2 国内研究现状
        1.2.3 研究现状评析
    1.3 研究思路与研究内容
        1.3.1 研究思路
        1.3.2 研究框架
第2章 PTA价格预测理论基础
    2.1 期货精对苯二甲酸简介
    2.2 期货价格主观预测方法
        2.2.1 基本面分析
        2.2.2 期货技术面分析
    2.3 传统时间序列预测方法
        2.3.1 ARMA(p,q)模型
        2.3.2 ARIMA(p,d,q)模型
        2.3.3 ARCH(p)模型
    2.4 机器学习理论概述
        2.4.1 BP神经网络
        2.4.2 RNN循环神经网络
        2.4.3 LSTM长短记忆神经网络
        2.4.4 GRU门控制循环神经网络
    2.5 梯度下降算法优化理论
        2.5.1 Ade Grade算法
        2.5.2 动量梯度下降法(Momentum)
        2.5.3 牛顿加速梯度算法(Nesterov Accelerated Gradient,NAG)
        2.5.4 Adam算法
    2.6 本章小结
第3章 样本选择及模型构建
    3.1 研究对象及时序数据集构建
        3.1.1 研究对象选取
        3.1.2 因子的选取
    3.2 实验数据收集与预处理
        3.2.1 实验数据收集
        3.2.2 标准化
        3.2.3 训练数据集的划分
    3.3 GRU-LSTM混合网络模型的构建
    3.4 本章小结
第4章 PTA期货价格的实证预测
    4.1 BP神经网络模型预测分析
    4.2 RNN神经网络实验结果
    4.3 LSTM模型实证结果
    4.4 GRU神经网络同步预测
    4.5 GRU—LSTM混合模型实证预测分析
        4.5.1 GRU—LSTM混合模型实证结果
        4.5.2 五种模型预测结果的对比
    4.6 对策建议
    4.7 本章小结
结论
参考文献
致谢



本文编号：3826465