基于ARMA模型与GRU模型集成学习在量化投资中的应用

发布时间：2020-06-23 06:30

【摘要】：能够预测一件事情的发生,一直是人们想要探讨的问题,通过细致而又精确的预测,可以提前做一些准备,有较好的事情发生,则积极准备让它变得更好。如果预测到一些较为不好的事情即将发生,则提前做好准备,尽量减少损失。随着科学技术,人类社会等各个方面的不断进步,人们越发想要根据现在的状况预判未来事情的发展,为此,时间序列预测方法得到了飞跃的发展。目前主要有两种预测的方法。第一为传统经典的时间序列预测方法,例如GARCH、ARMA等。经过长时间的发展,时间序列在各个行业得到了非常广泛的应用,但是这种方法对数据要求很大,甚至很多时候需要很多假设,所以实际应用常会浪费很多时间,且有时并不能得到一个比较满意的结果,尤其是面对股票市场长时间走势不断地突变;第二为机器学习中的集中预测方法,最典型的为神经网络模型,神经网络由于其不拘泥于假设而且应用范围宽广,所以自从产生开始便得到了很高的重视,但是其很多模型过于复杂而导致运算时间过长甚至产生过拟合现象。在股市中,随着时间的推移,上市公司增多,国内经济跟国外联系更加紧密,数据越来越多,也越来越复杂,预测的难度也随之增大,出现了量化投资概念。为此现在有很多的学者想办法将二者结合起来,在保证二者优点的同时避免其缺点,然后在量化投资的使用中提高预测的精度。本文首先运用机器学习中集成学习的方法将时间序列中的自回归模型(AR模型)与门限回归模型(GRU模型)结合起来,得到AR-GRU模型。并将其运用于2005年1月至2018年7月上证指数日数据中进行学习,然后根据学习得到的结果对之后的数据进行预测,对比真实结果以及预测结果,分析其偏差情况。本文还提出了另一种集成学习模型,将时间序列中移动平均模型(MA模型)与门限回归模型(GRU模型)集成起来,得到GRU-MA模型。同样将其运用于2005年1月至2018年7月上证指数日数据中进行学习,然后根据学习得到的结果对之后的数据进行预测,对比真实结果以及预测结果,分析其偏差情况。最后将AR-GRU模型、GRU-MA模型、ARMA模型、GRU模型的预测结果进行对比,得出新模型在预测精度上比原模型均高。
【学位授予单位】：广西大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：F832.51;TP181
【图文】：

ｇｕｒ．ｍ上图中／？，ｘ．ｔａｎｈ，ｃｒ分别表示输出、输入、双曲正切函数和ｓｉｇｍｏｉｄ函数，Ａ逡逑代表一个隐藏层节点，从图屮我们可以看出，ＬＳＴＭ既可以向细胞状态添加信息，逡逑也可以从细胞状态删除信息，为了达到自己的目的，有T需通过一些信息阀门。逡逑些一ｓｉｍｏｉｄ数或激上0？），ｓｉｍｏｉｄ

图５．２邋２００５年１月－２０?

【参考文献】

相关期刊论文 前5条

1 聂淑媛;;时间序列分析的历史发展[J];广西民族大学学报(自然科学版);2012年01期

2 林已杰;赖清;周敏;;基于BP神经网络和马尔科夫模型的服务器软件老化预测方法[J];西南师范大学学报(自然科学版);2011年04期

3 朱新国;张展羽;祝卓;;基于改进型BP神经网络马尔科夫模型的区域需水量预测[J];水资源保护;2010年02期

4 宋琴;;汇率与股价波动研究——基于中国与日本高频数据的ARCH检验[J];经济与管理;2010年03期

5 王义民;于兴杰;畅建霞;黄强;;基于BP神经网络马尔科夫模型的径流量预测[J];武汉大学学报(工学版);2008年05期

相关博士学位论文 前1条

1 唐黎;金融时间序列预测的信息融合与计算智能模型[D];电子科技大学;2018年

相关硕士学位论文 前10条

1 杨世林;基于聚宽量化投资平台的股票多因子策略应用[D];浙江大学;2018年

2 章旗凯;基于商品期货时滞信息的FOF基金量化投资策略研究[D];浙江大学;2018年

3 王雷;多因子模型在我国中小板市场选股研究中的应用[D];武汉纺织大学;2018年

4 陈子宁;面向A股的基本面量化交易策略的设计[D];电子科技大学;2018年

5 夏国斌;基于Bagging算法的集成支持向量机在个人信用评级中的应用[D];山东大学;2018年

6 袁亚光;基于金融大数据的客户风险评估及预测[D];北京邮电大学;2018年

7 李家驹;基于集成学习模型的上市公司财务困境判别研究[D];深圳大学;2017年

8 梁叶;基于动态时间弯曲的金融时间序列聚类研究[D];华侨大学;2017年

9 刘洋;基于GRU神经网络的时间序列预测研究[D];成都理工大学;2017年

10 王婧伊;基于主成分聚类及GARCH模型族的深股金融特征分析[D];辽宁师范大学;2016年

本文编号：2726939