基于卷积神经网络的股票预测模型研究

发布时间：2025-01-07 00:49

　　金融市场是一个巨大的动态领域,一般很难建模和预测。在最近的几十年中,可以学习输入和输出值之间的非线性关系的计算智能模型逐渐被使用。由于传统方法很难捕捉到高维指标与预测变量的非线性关系,因此在股票预测方面深度学习模型更具优势。本文利用深度学习中的卷积神经网络(CNN)构建了一个股票预测模型。在该模型基础上对股票涨跌情况进行预测,以15天的股票数据为基础,预测该股票在未来一周的涨跌情况,得到了较为良好的预测效果。首先,针对卷积神经网络的基础结构以及反向传播算法进行了探究,通过在参数学习中引入优化器优化训练算法,同时对几种常见CNN模型横向对比分析,在LeNet-5模型基础上构建所需的卷积神经网络模型。其次,本文构建了基于CNN模型的股票预测模型并进行实证分析,从Wind数据库中获取2010年1月1日至2020年1月1日的沪深300成分股的各项指标数据,选取15个不同特征将样本数据转化为二维矩阵,通过股票未来一周的收益情况将其分为上涨、震荡、下跌三类情况,创新性地使用滑动窗口法增加样本量,将所有样本分为五个训练集及测试集。然后,使用搭建好的卷积神经网络模型对所有股票数据进行训练测试,并依据卷积...

【文章页数】：59 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号说明
第一章 绪论
    1.1研究背景与意义
    1.2 国内外研究现状
        1.2.1 金融中的机器学习
        1.2.2 金融中的深度学习
    1.3 研究内容与论文结构
        1.3.1 主要贡献及创新
第二章 卷积神经网络基础结构及其在股票预测方面的应用
    2.1 金融市场预测
    2.2 卷积神经网络结构
        2.2.1 输入层
        2.2.2 卷积层
        2.2.3 池化层
        2.2.4 激活函数
        2.2.5 全连接层
    2.3 反向传播
    2.4 优化器
        2.4.1 Adagrad
        2.4.2 Adadelta
        2.4.3 Adam
    2.5 本章小结
第三章 股票预测模型样本构造
    3.1 样本预处理及特征分析
    3.2 样本标记及样本矩阵生成
    3.3 特征组合选择
    3.4 特征分析及构造
    3.5 训练集及测试集生成
    3.6 本章小结
第四章 构建CNN-股票预测模型
    4.1 卷积神经网络结构设计及训练
    4.2 模型评估指标
    4.3 模型参数对预测结果的影响
        4.3.1 卷积核尺寸
        4.3.2 卷积核数量
        4.3.3 激活函数类型
        4.3.4 全连接层神经元数量
    4.4 Dropout概率
    4.5 优化器
    4.6 样本分类不均衡的解决方案
    4.7 模型比较分析
    4.8 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
学位论文评阅及答辩情况表



本文编号：4024245