基于趋势因子预处理和循环神经网络的股指预测研究

发布时间：2020-11-02 14:45

　　 股票的价格呈现趋势化运动,趋势对于股价预测来说至关重要。股价预测主要有两大类方法——基本面分析和技术分析,本文从技术分析的角度研究股价运动趋势,将股价预测转化为时间序列分析问题。时间序列分析的工具又分为传统计量模型和计算智能模型,传统的计量模型虽然解释性好但往往预测效果不理想,而计算智能模型,尤其是人工神经网络模型可以进行自适应学习,具有强大的非线性映射能力,故本文选用人工神经网络进行建模。预处理和网络模型定义是建立神经网络预测模型的重要方面,现有的预处理方法多为信号分析、时序分割、主成分提取等自动化的手段,缺少明确的金融意义;在网络模型方面,循环神经网络强大的时序学习能力以及深度学习的发展为金融预测带来了新的机遇,故本文关注的重点是提取更具金融意义的特征并利用循环神经网络进行建模。本文所做的工作主要有两点:一是对趋势因子进行了两阶段的预处理,首先从价格、收益率、动能、量价、波动率五个方面提取了趋势因子,价格特征反映了不同时间尺度上的价格水平,收益率特征反映了价格的速度,动能特征体现了价格的加速度,量价特征蕴含了成交量带来的额外信息,波动率特征则包含了区间数据带来的信息,第二阶段根据每个因子与趋势之间的内在联系进行了离散化处理,进一步反映趋势的动态特征;二是建立了不同的循环神经网络预测模型,通过实验对比了三种特征表达方式、不同网络类型以及深层结构在预测中的表现。实验结果表明,趋势因子预处理显著提高了模型的预测表现;三种循环神经网络中,门限神经单元的表现最好;在隐层神经元总数保持不变的情况下,深层结构比浅层结构表现好。在所有超参数设置中,以离散化后的趋势因子作为输入、采用三隐层结构的门限神经网络模型表现最佳,相比于随机的三分类预测正确率提升了35个百分点左右。根据实验结果,本文得到以下重要结论:价格、收益率、动能、量价和波动率中蕴含着股价趋势信息,可以有效提高预测模型的表现;在三种循环神经网络中,门限神经网络更适用于处理股指日数据这种低频的小样本金融时间序列;深度学习不是万能的,从金融意义的角度进行特征表示往往能事半功倍,比单纯依靠深层结构的特征学习更能提升模型的预测效果。本文的创新点主要有三个:一是从技术分析及趋势预测的内在逻辑出发对趋势因子进行了两阶段的提取;二是对输出变量做了细致的预处理,包括利用五日收益率设定类标签并在传统的涨跌分类基础上添加了“震荡”类,有助于下一步交易策略的制定;三是分析了三种不同类型的循环神经网络在股指趋势短期预测中的表现,并初步探索了深度学习的适用性。
【学位单位】：山东财经大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：F832.51;TP183
【部分图文】：

图 2-1 M-P 神经元模型础的“M-P 神经元”，这个神经元接收 n 个输入wi，这些权重是自适应的，神经元首先对输入进行阈值θ进行比较，再经过激活函数的处理产生输1ni iiy f w x 网络一定的层次结构组织起来就构成了神经网络。前 perceptron，多层感知机）是最典型的神经网络模rward）模型，网络中层与层之间没有反馈连接。以在网络中循环流动，它们就被称作 RNN（Re网络），本文将在下一节中详细讨论这种网络，

图 2-1 就是最基础的“M-P 神经元”，这个神经元接收 n 个输入，每个都有其对应的权重 wi，这些权重是自适应的，神经元首先对输入进行带权重然后将计算的结果与阈值θ进行比较，再经过激活函数的处理产生输出[41]。达见公式（2.1）：1ni iiy f w x （2）前馈神经网络将多个神经元按一定的层次结构组织起来就构成了神经网络。前馈神经称 MLP（Multilayer perceptron，多层感知机）是最典型的神经网络模型，这称为前向的（feedforward）模型，网络中层与层之间没有反馈连接。当层与现反馈连接，信息可以在网络中循环流动，它们就被称作 RNN（RecurrentNetwork，循环神经网络），本文将在下一节中详细讨论这种网络，这里说网络结构还是最基础的多层前馈神经网络，如图 2-2：

遍正向传播和反向传播，神经网络接下来的工作就是减小网络输出值与真实值之间的误差。源源：偏差（bias）和方差（variance）。分清误差的来要的，它决定了你从哪个方面调整来优化模型的预种机器学习算法训练的输出结果逼近学习目标的能为训练集的表现，当结果出现高偏差时，说明模型欠果与模型输出期望（平均值）之间的误差，即模型的可以解释为验证集的表现，当结果出现高方差时说相当于模型的学习目标，射击点整体偏离红色靶心不准，而射击点较为分散时出现高方差，表现不稳
【相似文献】

相关期刊论文 前10条

1 胡悦;;金融市场中的神经网络拐点预测法[J];金融经济;2017年18期

2 陈晓燕;;浅析简单神经网络的发展及简单模型[J];数字技术与应用;2019年05期

3 迟惠生;陈珂;;1995年世界神经网络大会述评[J];国际学术动态;1996年01期

4 吴立可;;脉冲神经网络和行为识别[J];通讯世界;2018年12期

5 林嘉应;郑柏伦;刘捷;;基于卷积神经网络的船舶分类模型[J];信息技术与信息化;2019年02期

6 俞颂华;;卷积神经网络的发展与应用综述[J];信息通信;2019年02期

7 韩真;凯文·哈特尼特;;为神经网络的通用理论建造基石[J];世界科学;2019年04期

8 鲍伟强;陈娟;熊涛;;基于进化神经网络的短期电力负荷预测研究[J];电工技术;2019年11期

9 王丽华;杨秀萍;王皓;高峥翔;;智能双轮平衡车的设计研究[J];数字技术与应用;2018年04期

10 张庭略;;基于硬件的神经网络加速[J];通讯世界;2018年08期

相关博士学位论文 前10条

1 陈冬冬;基于深度神经网络的视觉媒体风格转换方法研究[D];中国科学技术大学;2019年

2 韩旭;基于神经网络的文本特征表示关键技术研究[D];北京邮电大学;2019年

3 杨国花;基于级联神经网络的对话状态追踪技术研究与实现[D];北京邮电大学;2019年

4 杨威;基于卷积神经网络的高效语义分割方法研究[D];中国科学院大学(中国科学院光电技术研究所);2019年

5 雷学文;基于深度神经网络的风功率日前预测与电力系统联合调度研究[D];西安理工大学;2018年

6 陈川;忆阻神经网络的同步控制及在信息安全中的应用研究[D];北京邮电大学;2019年

7 姜春晖;深度神经网络剪枝方法研究[D];中国科学技术大学;2019年

8 昌杰;基于深度神经网络的肿瘤图像分析与处理[D];中国科学技术大学;2019年

9 宫磊;可重构平台上面向卷积神经网络的异构多核加速方法研究[D];中国科学技术大学;2019年

10 丁鹏;基于深度卷积神经网络的光学遥感目标检测技术研究[D];中国科学院大学(中国科学院长春光学精密机械与物理研究所);2019年

相关硕士学位论文 前10条

1 权峻;太阳能温室建模及智能控制策略研究[D];天津理工大学;2019年

2 钟文雅;基于深度卷积神经网络的乳腺X线图像的分类方法研究[D];南阳师范学院;2019年

3 薛花;基于聚类与神经网络的协同过滤推荐系统关键技术的研究[D];天津理工大学;2019年

4 张璐;基于深度学习的淋巴结自动分割算法研究[D];浙江大学;2019年

5 郭盼盼;基于GA-BP神经网络的多日股票价格预测[D];郑州大学;2019年

6 王旭东;基于光散射的磷矿磨矿粒度分析方法研究[D];武汉工程大学;2018年

7 熊雨点;基于深度学习的表单识别系统的研究与实现[D];武汉工程大学;2018年

8 聂若莹;基于AMDAR数据的对流云附近颠簸区预测方法研究[D];中国民用航空飞行学院;2019年

9 李高玲;基于神经网络的算法作曲与情感识别研究[D];郑州大学;2019年

10 路高飞;基于遗传算法改进BP神经网络的信用风险研究[D];郑州大学;2019年

本文编号：2867180