基于WaveNet条件时序卷积模型的上证综指收益率预测
发布时间：2021-02-13 18:23
随着经济发展,证券市场在市场经济中的地位愈发凸显,它既能为企业提供充足的现金流,又能满足投资者对于高收益的要求。因此对证券市场趋势的预测非常重要,有效的预测能够让国家、企业和投资者的各项举措更具前瞻性,使大家能够更好地利用积极趋势、更好的应对消极走向。本文首先总结了金融预测技术发展的三个阶段,分析了用于预测金融时间序列的传统方法。在传统预测模型存在瓶颈和缺陷的背景下,本文引入了人工智能语音分析领域的深度学习模型,通过添加恒等映射将普通卷积神经网络的卷积层改为了残差元结构,并利用空洞卷积扩大了模型的感受域,最终构造出了专门用于金融预测的WaveNet条件时序卷积模型。在模型输入方面,为了提高输入数据的质量,保证信息的全面性,本文综合分析了对证券市场未来走势存在影响的各方面因素,将这些因素分为了市场交易情况、宏观政治经济因素、其他金融产品市场行情、其他国家证券市场行情和投资者信心等五个大类,并利用Wind金融资讯平台从中筛选出了14个上证综指收益率预测的条件变量。在实证预测研究中,本文模型取得了良好的预测效果;根据本文模型进行的真实市场交易也取得了不错的收益。另外,本文还从行为金融学理论入...
【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校
【文章页数】：66 页
【学位级别】：硕士
【文章目录】：
中文摘要
Abstract
第一章 绪论
1.1 研究背景
1.2 文献综述
1.3 研究内容与章节安排
1.4 创新所在
第二章 金融时间序列预测的经典模型
2.1 时间序列模型
2.1.1 时间序列模型
2.1.1.1 自相关性
2.1.1.2 平稳性
2.1.2 AR自回归模型
2.1.3 MA移动平均模型
2.1.4 ARMA自回归移动平均模型
2.2 BP神经网络
2.3 SVM支持向量机
2.3.1 核函数与损失函数
2.3.2 经验风险、期望风险与结构风险
2.3.3 支持向量回归模型
2.4 深度循环神经网络
2.4.1 Vanilla循环神经网络
2.4.2 LSTM循环神经网络
第三章 WaveNet条件时序卷积模型的搭建
3.1 理论基础
3.1.1 卷积神经网络
3.1.1.1 卷积层
3.1.1.2 池化层
3.1.2 空洞卷积
3.1.3 残差网络
3.2 模型搭建
3.2.1 WaveNet
3.2.2 WaveNet条件时序卷积模型
第四章 上证综指影响因素分析与条件时序构造
4.1 上证综指影响因素分析
4.1.1 上海证券交易所的交易统计
4.1.2 国内宏观经济政策对中国证券市场的影响因素
4.1.3 国内债券、基金、外汇三市对中国证券市场的影响因素
4.1.4 国际证券市场对中国证券市场的影响因素
4.1.5 市场信心指数
4.2 条件时序的构造
第五章 上证综指收益率的预测分析及多种方法的实证比较
5.1 研究环境
5.2 评价指标
5.3 基于WaveNet条件时序卷积模型的月收益率预测
5.3.1 月收益率的自回归式预测
5.3.2 月收益率的条件时序预测
5.4 预测结果的实证比较
5.4.1 自回归序列与条件时间序列的预测比较
5.4.2 WaveNet条件时序卷积模型与SVM模型、LSTM模型的月收益率预测比较
第六章 总结与展望
6.1 本文总结
6.2 相关研究展望
参考文献
致谢
【参考文献】：
期刊论文
[1]中国A股市场个股收益影响因素的实证分析[J]. 周孝华,傅能普. 技术经济. 2013(08)
[2]我国股市中高与低市盈率股票收益率的实证分析[J]. 王磊. 金融理论与教学. 2011(04)
[3]多项式与SVM预测模型的理论分析及应用比较[J]. 孙林,杨世元. 合肥工业大学学报(自然科学版). 2008(09)
[4]支持向量机在股票价格预测中的应用[J]. 张玉川,张作泉. 北京交通大学学报. 2007(06)
[5]基于GARCH-BP模型的股指预测及实证分析[J]. 陈卓雷,蒋寒迪. 当代财经. 2006(06)
[6]中国采购经理指数（CFLP-PMI）的研究与应用[J]. 尤建新. 中国科技论坛. 2006(06)
[7]应用ARCH模型对中国股市波动性的实证分析[J]. 曹伟龙. 世界经济情况. 2006(01)
[8]统计学习理论与支持向量机在过程控制中的应用[J]. 王华忠,俞金寿. 化工自动化及仪表. 2004(05)
[9]我国国债市场当前存在的问题及其对策分析[J]. 郭济敏. 河南金融管理干部学院学报. 2003(03)
[10]基于小波包和神经网络的股票价格预测模型[J]. 常松,何建敏. 中国管理科学. 2001(05)
硕士论文
[1]基于LSTM神经网络的美股股指价格趋势预测模型的研究[D]. 孙瑞奇.首都经济贸易大学 2016
本文编号：3032393
【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校
【文章页数】：66 页
【学位级别】：硕士
【文章目录】：
中文摘要
Abstract
第一章 绪论
1.1 研究背景
1.2 文献综述
1.3 研究内容与章节安排
1.4 创新所在
第二章 金融时间序列预测的经典模型
2.1 时间序列模型
2.1.1 时间序列模型
2.1.1.1 自相关性
2.1.1.2 平稳性
2.1.2 AR自回归模型
2.1.3 MA移动平均模型
2.1.4 ARMA自回归移动平均模型
2.2 BP神经网络
2.3 SVM支持向量机
2.3.1 核函数与损失函数
2.3.2 经验风险、期望风险与结构风险
2.3.3 支持向量回归模型
2.4 深度循环神经网络
2.4.1 Vanilla循环神经网络
2.4.2 LSTM循环神经网络
第三章 WaveNet条件时序卷积模型的搭建
3.1 理论基础
3.1.1 卷积神经网络
3.1.1.1 卷积层
3.1.1.2 池化层
3.1.2 空洞卷积
3.1.3 残差网络
3.2 模型搭建
3.2.1 WaveNet
3.2.2 WaveNet条件时序卷积模型
第四章 上证综指影响因素分析与条件时序构造
4.1 上证综指影响因素分析
4.1.1 上海证券交易所的交易统计
4.1.2 国内宏观经济政策对中国证券市场的影响因素
4.1.3 国内债券、基金、外汇三市对中国证券市场的影响因素
4.1.4 国际证券市场对中国证券市场的影响因素
4.1.5 市场信心指数
4.2 条件时序的构造
第五章 上证综指收益率的预测分析及多种方法的实证比较
5.1 研究环境
5.2 评价指标
5.3 基于WaveNet条件时序卷积模型的月收益率预测
5.3.1 月收益率的自回归式预测
5.3.2 月收益率的条件时序预测
5.4 预测结果的实证比较
5.4.1 自回归序列与条件时间序列的预测比较
5.4.2 WaveNet条件时序卷积模型与SVM模型、LSTM模型的月收益率预测比较
第六章 总结与展望
6.1 本文总结
6.2 相关研究展望
参考文献
致谢
【参考文献】：
期刊论文
[1]中国A股市场个股收益影响因素的实证分析[J]. 周孝华,傅能普. 技术经济. 2013(08)
[2]我国股市中高与低市盈率股票收益率的实证分析[J]. 王磊. 金融理论与教学. 2011(04)
[3]多项式与SVM预测模型的理论分析及应用比较[J]. 孙林,杨世元. 合肥工业大学学报(自然科学版). 2008(09)
[4]支持向量机在股票价格预测中的应用[J]. 张玉川,张作泉. 北京交通大学学报. 2007(06)
[5]基于GARCH-BP模型的股指预测及实证分析[J]. 陈卓雷,蒋寒迪. 当代财经. 2006(06)
[6]中国采购经理指数（CFLP-PMI）的研究与应用[J]. 尤建新. 中国科技论坛. 2006(06)
[7]应用ARCH模型对中国股市波动性的实证分析[J]. 曹伟龙. 世界经济情况. 2006(01)
[8]统计学习理论与支持向量机在过程控制中的应用[J]. 王华忠,俞金寿. 化工自动化及仪表. 2004(05)
[9]我国国债市场当前存在的问题及其对策分析[J]. 郭济敏. 河南金融管理干部学院学报. 2003(03)
[10]基于小波包和神经网络的股票价格预测模型[J]. 常松,何建敏. 中国管理科学. 2001(05)
硕士论文
[1]基于LSTM神经网络的美股股指价格趋势预测模型的研究[D]. 孙瑞奇.首都经济贸易大学 2016
本文编号：3032393
本文链接：https://www.wllwen.com/jingjilunwen/jinrongzhengquanlunwen/3032393.html
