基于深度学习的股票价格可预测性检验的实证分析

发布时间：2023-05-10 03:30

　　股价综合反映上市公司市值波动及金融流动资金走向,那么如何更准确的预测股价成为股市领域的研究重点。但是股票市场往往受到各方面信息和操作的影响,股价涨跌趋势存在巨大波动性,准确预测变得十分困难。最近几年,以机器学习算法为基础的大数据分析发展迅速,将其运用至机器翻译、图像识别等多个领域均取得了良好的效果。因此研究金融领域的学者们尝试将这些算法应用至股市,无论是对股票分类还是预测股价趋势,机器学习算法技术相较于传统理论方法准确率有很大提高。而机器学习算法中,LSTM神经网络因其特殊的门结构可更有效的处理金融数据;XGBoost集成学习算法具有运算速度快、准确率高的特点。因此论文选择这两种算法对股价进行预测,为投资者提供参考和建议。论文结合沪深300指数和中证500指数,首先运用传递熵的方法检验了收盘价与其余各个变量之间的非线性因果关系;其次选用LSTM神经网络和XGBoost集成学习算法建立股价预测模型,针对最优投资时间窗口、量价关系、高低频数据三个部分考虑股价影响收益的因素,主要的研究工作如下:(1)选取投资时间窗口周期为21、34、55个交易日,探究哪个周期内收益值最大;(2)在LSTM模...

【文章页数】：58 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
1 绪论
    1.1 选题依据与研究意义
        1.1.1 选题依据
        1.1.2 选题意义
    1.2 国内外相关研究文献综述
        1.2.1 股价预测研究现状综述
        1.2.2 深度学习研究现状综述
    1.3 本文研究内容及思路
        1.3.1 研究内容
        1.3.2 研究思路
    1.4 本文研究方法和创新点
        1.4.1 研究方法
        1.4.2 本文创新点
2 基本理论、方法与技术
    2.1 股价预测方法总结
        2.1.1 技术分析法
        2.1.2 基本面分析法
        2.1.3 时间序列分析法
        2.1.4 机器学习预测法
    2.2 LSTM神经网络
        2.2.1 LSTM神经网络介绍
        2.2.2 LSTM神经网络的结构及其特点
        2.2.3 LSTM的优势及问题
    2.3 XGBoost集成学习算法
        2.3.1 XGBoost集成学习算法介绍
        2.3.2 XGBoost集成学习算法结构及其特点
        2.3.3 XGBoost集成算法的优势及问题
3 股票价格的非线性因果检验
    3.1 非线性格兰杰因果检验方法
    3.2 股价非线性因果检验设计思路及结果
4 基于LSTM和 XGBoost的股价预测验证
    4.1 股票预测功效的衡量
        4.1.1 数据集选取及处理
        4.1.2 策略指标选取
        4.1.3 LSTM模型结构概述
    4.2 股票最优投资时间窗口的验证
        4.2.1 最优投资时间窗口概述
        4.2.2 模型结构及策略收益衡量指标
        4.2.3 预测结果对比及分析
    4.3 股票量价关系的验证
        4.3.1 量价关系概述
        4.3.2 模型结构及策略收益衡量指标
        4.3.3 预测结果对比及分析
    4.4 股票高低频数据的验证
        4.4.1 高低频数据概述
        4.4.2 模型结构
        4.4.3 预测结果对比及分析
5 结论与展望
    5.1 论文总结
    5.2 结果展望
参考文献
附录
致谢



本文编号：3812940