基于特征自编码和时间卷积网络的股价预测研究

发布时间：2020-07-12 13:12

【摘要】：今天,随着中国经济的快速发展,资本市场特别是证券市场愈发受到青睐,无论对机构还是个人投资者,股票价格预测一直是各方关注的重点,在资本市场领域有重要的意义。传统上,投资者基于统计技术分析或者简单机器学习方法进行股价预测,但由于股票市场是一个复杂的非线性动态系统,这些方法存在巨大的局限性。近年来,神经网络依靠其强大的非线性建模能力在计算机视觉、自然语言处理、自动驾驶等各方面取得非常大的进展,越来越多的人考虑利用神经网络进行股价预测,其中LSTM凭借其强大的序列建模能力获得更多的青睐,人们也不断通过理论创新、模型创新提升股价的预测精度。近期,时间卷积网络(TCN)理论凭借其更佳强大的序列建模能力在时序任务中取得较LSTM等循环神经网络更好的效果;同时,自编码网络作为一种无监督学习算法,对于进行特征工程、提取高级语义特征方面有独特的效果。论文正是基于以上两个方面对股价预测算法进行创新。本论文深刻回顾了股价预测的理论意义及必要性,并系统阐述了近年来国内外学者在股价预测模型创新中取得的进展,特别地,针对目前表现良好的神经网络模型进行深入探讨,以此为基础构建股价预测创新模型——基于特征自编码和时间卷积网络的股价预测模型,并利用股票历史量价数据实证分析模型的优越性。主要创新工作如下:(1)基于成熟的特征自编码算法以及LSTM股价预测算法理论,首次将以上两种算法相结合,构建“特征自编码网络+LSTM”组合股价预测算法,通过与单纯的LSTM算法进行比较实证分析:选取深证成指成分股平安银行历史量价数据,通过自编码网络进行高级语义特征抽取,将高低级语义特征进行结合,作为LSTM股价预测模型的输入,进行模型的训练及测试,将各项评价指标与单纯的LSTM股价预测模型进行比较。通过以上的模型构建和对比实证分析,得出以下结论:通过特征自编码网络的自训练学习得到的高级语义特征对于股价的预测效果有部分提升;通过t时刻之前timestep长度的日期特征预测t+m时刻的股票价格,中等大小的m(本例中大致为20)取得的预测效果更稳定,具有更好的效果。(2)基于已有的特征自编码算法以及最新的时间卷积网络(TCN)算法结构,首次将TCN算法应用到股价预测任务中去,并与(1)中证明对股价预测有性能提升的“特征自编码网络”相结合,构建“特征自编码网络+TCN”组合股价预测算法。将算法与(1)中的“特征自编码网络+LSTM”组合股价预测算法进行比较实证分析:同样选取相同的平安银行历史量价数据,进行与(1)中相同的操作。通过以上的模型构建和对比实证分析,得出以下结论:通过时间卷积网络的代替LSTM对于股价的预测效果有部分性能提升;通过t时刻之前timestep长度的日期特征预测t+m时刻的股票价格,中等大小的m(本例中大致为20)取得的预测效果更稳定,具有更好的效果;随着预测数据时间步的延长,TCN处理长串数据的能力得到释放,模型的性能得到部分提升,但存在提升上限。最终,我们通过以上的分析证明了“特征自编码网络斗+TCN”模型在股价预测任务中的优越性。
【学位授予单位】：山东大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：F832.51;F224
【图文】：

股价,股票价格,价值投资,投资理论

山东大学硕士学位论文逡逑第２章理论基础逡逑２．１股价预测基础理论逡逑自股票市场诞生以来，无论是机构投资者还是个人投资者一直致力于通过低逡逑买高卖获取超额利润，因此提前预测股票价格的涨跌成为投资者孜孜不倦的追求。逡逑１８８４年由道琼斯公司的创始人查尔斯？亨利？道（Ｃｈａｒｌｅｓ邋Ｈｅｎｒｙ邋Ｄｏｗ，邋１８５１－１９０２逡逑年）开始编制的一种算术平均股价指数一道琼斯指数（如下图２－１所示），开创逡逑了股票价格技术分析的先河，随后价值投资、Ｋ线理论等投资理论相继风靡全球，逡逑人们寄希望于通过相关理论分析能够先于市场获得股价涨跌信息甚至于精确的逡逑股价情况。逡逑２００００．０邋－逡逑

神经网络,卷积核,卷积,感受野

卷积神经网络主要结构为卷积层、池化层、全连接层，以及为增大感受野而逡逑创新的扩张卷积，下面以二维卷积为例分别予以陈述。逡逑卷积层逡逑卷积层主要用来对输入数据进行特征提取，包含多个卷积核，组成卷积核的逡逑每个元素都对应一个权重系数和一个偏差量（ｂｉａｓｖｅｃｔｏｒ），与一个前馈神经网络逡逑的神经元（ｎｅｕｒｏｎ）相类似。其中，每个神经元都与前一层中位置接近的区域的逡逑多个神经元相连，卷积核的大小由区域的大小决定，在文献中被称为“感受野逡逑（ｒｅｃｅｐｔｉｖｅｆｉｅｌｄ）”。卷积核运行时，会有规律地扫过输入特征，对输入特征在感逡逑受野内做矩阵元素乘法求和并叠加偏差量（图２－４），计算公式（２－１）如下：逡逑Ｋｌ邋ｆ邋ｆ逡逑Ｚ（ｌ＋１＼ｉ，ｊ）邋＝邋［Ｚｌ邋０邋ｗｌ］（ｉ，ｊ）邋＋邋／ｊ邋＝邋＾邋＾邋＾［ｚ＾（ｓ0ｔ邋＋邋ｘ，ｓ０ｊ邋＋邋ｙ）ｗｌｋ＋１（ｘ，ｙ）］邋＋邋ｂ逡逑ｋ＝ｌ邋ｘ＝ｌ邋ｙ＝ｌ逡逑

建模,序列,卷积核,卷积

【相似文献】