深度神经网络组合模型对股指的预测研究与实证对比
发布时间：2021-01-27 09:21
在经济全球化、金融一体化的进程中,金融市场出现了很多异常现象,这些现象是以有效市场假说为基础的传统金融理论难以解释的,进而涌现出行为金融学、分形市场假说等新的理论,金融市场不再是有效市场理论下的理想状态,众多研究表明金融市场具有可预测性。金融市场作为一个高度复杂的系统,股票市场是其中的重要组成部分,也是经济运行状况的“晴雨表”。股票市场作为实体企业融资的渠道,也是众多投资者自身资源配置的主要渠道之一。股票指数时间序列是股票市场复杂内在特征的综合外在表现,为投资者制定投资策略提供了重要参考,因此对股指序列的预测不仅有利于更好的监测和管理与股票市场高度关联的金融市场,还能为投资者的投资决策提供有效指导。股指时间序列本身大多数是非线性的或者说是一个包含有非线性关系的复杂系统,并且股票市场的演化日益复杂,传统的股指预测模型也逐渐演变成只具备理论意义而难以有效地应用于实际市场分析的工具。在快速发展的人工智能时代,基于深度学习的神经网络,为研究存在多方博弈的极度复杂的股票市场提供了思路。因此,本文构建了经验模态分析（EMD）、主成分分析（PCA）、深度神经网络（DNN）组合的深度神经网络组合模型（...
【文章来源】：重庆工商大学重庆市
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
沪深300收盘价训练集然后通过计算不同p,q取值对应的A
重庆工商大学硕士学位论文第四章股指预测模型实证研究39（HR）、MAE、MAPE、RMSE分别为51.54%、94.02、2.47、132.62，如下表4.4：表4.4ARIMA预测收盘价的性能指标MAEMAPERMSEHR（%）ARIMA94．022.47132.6251.544.2.2BPNN模型预测结果BP神经网络中当各神经元层输入神经元数目合适的情况下，在理论上是可以逼近任意复杂的函数。本文中输入数据数目以Fibonacci数列为参考，分别为2、3、5、8、13、21、34、55、89、144个输入数据，从而缩小输入数据数目搜索范围；隐含层神经元数目采用逐渐增加的方式从1至12选择使网络性能最优的隐含层神经元数目；激活函数选择Sigmoid函数。将收盘价直接作为训练集，将其输入神经网络，得到收盘价预测值并输出，结果如表4.5。表4.5不同输入层、隐含层神经元数目预测命中率（HR）结果（%）隐层输入数据数目23581321345589144150.1651.9750.4153.2651.0552.6353.4953.6150.6353.33247.8749.4652.8749.8355.5951.3249.7753.0551.2552.38349.8449.3451.2350.8650.3553.0750.7052.5851.8854.29450.1654.6152.0551.2049.6553.7551.1652.0653.7550.48550.8250.3353.2853.6145.4551.7553.0255.1554.3851.43650.4951.6450.8252.5852.4552.1953.9553.6150.6355.24748.8549.0154.5150.6256.7855.7052.5653.0953.7556.19849.1850.0055.3351.8750.8553.9553.0352.0652.5057.14951.4850.6654.9249.1453.8155.2652.0954.6453.1852.381049.8450.6654.1050.8652.9753.9552.5658.4258.1350.481151.1551.3256.1552.2355.0855.2650.2351.0354.3853.331252.1351.6453.2853.2652.1253.9554.8855.6753.1355.75图4.5不同输入数据数目BP神经网络预测命中率
重庆工商大学硕士学位论文第四章股指预测模型实证研究46图4.10EMD取不同IMF层BP神经网络预测HS300收盘价平均命中率从上图4.10中可以看到当EMD窗口长度为300，IMF层数为3时，BP神经网络平均命中率最高为71.05%，此时模型预测有最高命中率76.32%，并且对应的性能指标如下：表4.14EMD-PCA-BPNN预测HS300收盘价的性能指标MAEMAPERMSEHR（%）EMD-PCA-BPNN100.272.57120.5476.324.3.4EMD-PCA-DNN预测该模型是EMD方法、PCA方法对股指原始数据进行处理后，再用深度神经网络对其进行预测的深度神经网络组合模型。模型（公式3.9）中EMD的窗口宽度以及IMF的层数选择以EMD-PCA-BPNN模型为参考。在对EMD-PCA-BPNN模型对股指预测效果的研究中发现，当选择EMD窗口宽度为300，IMF序列层数为3层时，EMD与PCA的组合能够很好的提取股指数据中的特征。另外深度神经网络的隐含层层数采用逐层增加的方式，从1层增至5层，隐含层神经元数从2到15逐个增加，得到的模型预测命中率（HR）及对应的模型性能指标MAE、MAPE、RMSE的值如下表4.15—表4.17。图4.11是深度神经网络含有不同隐含层时，组合模型对沪深300股指预测的命中率对应的折线图，从中可以看出深度神经网络含有1个隐含层，且隐含层神经元数目为11时，组合模型最高命中率为77.95%，从而确定第1隐含层神经元数目为11。采用逐层增加的方式，在第1个隐含层确定的条件下增加第2个隐含层，该层神经元数目为10时，模型有最高命中率为78.05%，因此第2个隐含层得以确定。按照相同的方法分别确定神经网络第3、4、5个隐含层神经元数目分别为9、10、11时模型的最高命中率分别为75%、75.61%、72.73%。对比发
【参考文献】：
期刊论文
[1]基于LSTM等深度学习方法的股指预测研究[J]. 李佳,黄之豪,陈冬兰. 软件导刊. 2019(09)
[2]中国股票市场收益率的可预测性研究[J]. 蒋志强,田婧雯,周炜星. 管理科学学报. 2019(04)
[3]基于MCMC的SV模型分钟高频股指波动率研究[J]. 张艳慧,郑宇轩,曹显兵. 数学的实践与认识. 2019(06)
[4]FEPA-金融时间序列自适应组合预测模型[J]. 潘和平,张承钊. 中国管理科学. 2018(06)
[5]融资融券交易行为及其收益可预测性研究[J]. 俞红海,陈百助,蒋振凯,钱仪绰. 管理科学学报. 2018(01)
[6]基于支持向量机的中国股指期货回归预测研究[J]. 赛英,张凤廷,张涛. 中国管理科学. 2013(03)
[7]基于ARIMA模型的沪深300股指期货价格预测研究[J]. 李战江,张昊,孙鹏哲,童国超,张志浩. 鲁东大学学报(自然科学版). 2013(01)
[8]灰色神经网络在股价预测中的应用研究[J]. 张秋明,朱红莉. 计算机工程与应用. 2013(12)
[9]中国股票市场可预测性的实证研究[J]. 姜富伟,凃俊,David E.Rapach,Jack K.Strauss,周国富. 金融研究. 2011(09)
[10]基于GARCH模型的上证综指日收益率波动特征研究[J]. 江河. 西安财经学院学报. 2011(05)
博士论文
[1]基于GARCH类模型的股指期货日内波动率研究与预测[D]. 王俊博.哈尔滨工业大学 2018
硕士论文
[1]基于奇异谱分析的ARMA-SVR模型在股指预测中的应用[D]. 袁金铭.山东大学 2019
[2]基于PCA-SVM-GARCH模型的股价预测[D]. 景秋玉.首都经济贸易大学 2018
[3]基于SVM的上证50指数涨跌预测研究[D]. 左飞.安徽大学 2018
[4]基于因子分析的BP神经网络股指预测[D]. 石志成.云南大学 2017
[5]基于噪音及投资者情绪的股价可预测性研究[D]. 张然.北京交通大学 2015
[6]基于ARIMA模型的沪深300指数预测及期现套利的研究[D]. 卢怀营.苏州大学 2013
[7]基于随机波动模型的中国股市波动性实证研究[D]. 徐永坤.复旦大学 2008
本文编号：3002813
【文章来源】：重庆工商大学重庆市
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
沪深300收盘价训练集然后通过计算不同p,q取值对应的A
重庆工商大学硕士学位论文第四章股指预测模型实证研究39（HR）、MAE、MAPE、RMSE分别为51.54%、94.02、2.47、132.62，如下表4.4：表4.4ARIMA预测收盘价的性能指标MAEMAPERMSEHR（%）ARIMA94．022.47132.6251.544.2.2BPNN模型预测结果BP神经网络中当各神经元层输入神经元数目合适的情况下，在理论上是可以逼近任意复杂的函数。本文中输入数据数目以Fibonacci数列为参考，分别为2、3、5、8、13、21、34、55、89、144个输入数据，从而缩小输入数据数目搜索范围；隐含层神经元数目采用逐渐增加的方式从1至12选择使网络性能最优的隐含层神经元数目；激活函数选择Sigmoid函数。将收盘价直接作为训练集，将其输入神经网络，得到收盘价预测值并输出，结果如表4.5。表4.5不同输入层、隐含层神经元数目预测命中率（HR）结果（%）隐层输入数据数目23581321345589144150.1651.9750.4153.2651.0552.6353.4953.6150.6353.33247.8749.4652.8749.8355.5951.3249.7753.0551.2552.38349.8449.3451.2350.8650.3553.0750.7052.5851.8854.29450.1654.6152.0551.2049.6553.7551.1652.0653.7550.48550.8250.3353.2853.6145.4551.7553.0255.1554.3851.43650.4951.6450.8252.5852.4552.1953.9553.6150.6355.24748.8549.0154.5150.6256.7855.7052.5653.0953.7556.19849.1850.0055.3351.8750.8553.9553.0352.0652.5057.14951.4850.6654.9249.1453.8155.2652.0954.6453.1852.381049.8450.6654.1050.8652.9753.9552.5658.4258.1350.481151.1551.3256.1552.2355.0855.2650.2351.0354.3853.331252.1351.6453.2853.2652.1253.9554.8855.6753.1355.75图4.5不同输入数据数目BP神经网络预测命中率
重庆工商大学硕士学位论文第四章股指预测模型实证研究46图4.10EMD取不同IMF层BP神经网络预测HS300收盘价平均命中率从上图4.10中可以看到当EMD窗口长度为300，IMF层数为3时，BP神经网络平均命中率最高为71.05%，此时模型预测有最高命中率76.32%，并且对应的性能指标如下：表4.14EMD-PCA-BPNN预测HS300收盘价的性能指标MAEMAPERMSEHR（%）EMD-PCA-BPNN100.272.57120.5476.324.3.4EMD-PCA-DNN预测该模型是EMD方法、PCA方法对股指原始数据进行处理后，再用深度神经网络对其进行预测的深度神经网络组合模型。模型（公式3.9）中EMD的窗口宽度以及IMF的层数选择以EMD-PCA-BPNN模型为参考。在对EMD-PCA-BPNN模型对股指预测效果的研究中发现，当选择EMD窗口宽度为300，IMF序列层数为3层时，EMD与PCA的组合能够很好的提取股指数据中的特征。另外深度神经网络的隐含层层数采用逐层增加的方式，从1层增至5层，隐含层神经元数从2到15逐个增加，得到的模型预测命中率（HR）及对应的模型性能指标MAE、MAPE、RMSE的值如下表4.15—表4.17。图4.11是深度神经网络含有不同隐含层时，组合模型对沪深300股指预测的命中率对应的折线图，从中可以看出深度神经网络含有1个隐含层，且隐含层神经元数目为11时，组合模型最高命中率为77.95%，从而确定第1隐含层神经元数目为11。采用逐层增加的方式，在第1个隐含层确定的条件下增加第2个隐含层，该层神经元数目为10时，模型有最高命中率为78.05%，因此第2个隐含层得以确定。按照相同的方法分别确定神经网络第3、4、5个隐含层神经元数目分别为9、10、11时模型的最高命中率分别为75%、75.61%、72.73%。对比发
【参考文献】：
期刊论文
[1]基于LSTM等深度学习方法的股指预测研究[J]. 李佳,黄之豪,陈冬兰. 软件导刊. 2019(09)
[2]中国股票市场收益率的可预测性研究[J]. 蒋志强,田婧雯,周炜星. 管理科学学报. 2019(04)
[3]基于MCMC的SV模型分钟高频股指波动率研究[J]. 张艳慧,郑宇轩,曹显兵. 数学的实践与认识. 2019(06)
[4]FEPA-金融时间序列自适应组合预测模型[J]. 潘和平,张承钊. 中国管理科学. 2018(06)
[5]融资融券交易行为及其收益可预测性研究[J]. 俞红海,陈百助,蒋振凯,钱仪绰. 管理科学学报. 2018(01)
[6]基于支持向量机的中国股指期货回归预测研究[J]. 赛英,张凤廷,张涛. 中国管理科学. 2013(03)
[7]基于ARIMA模型的沪深300股指期货价格预测研究[J]. 李战江,张昊,孙鹏哲,童国超,张志浩. 鲁东大学学报(自然科学版). 2013(01)
[8]灰色神经网络在股价预测中的应用研究[J]. 张秋明,朱红莉. 计算机工程与应用. 2013(12)
[9]中国股票市场可预测性的实证研究[J]. 姜富伟,凃俊,David E.Rapach,Jack K.Strauss,周国富. 金融研究. 2011(09)
[10]基于GARCH模型的上证综指日收益率波动特征研究[J]. 江河. 西安财经学院学报. 2011(05)
博士论文
[1]基于GARCH类模型的股指期货日内波动率研究与预测[D]. 王俊博.哈尔滨工业大学 2018
硕士论文
[1]基于奇异谱分析的ARMA-SVR模型在股指预测中的应用[D]. 袁金铭.山东大学 2019
[2]基于PCA-SVM-GARCH模型的股价预测[D]. 景秋玉.首都经济贸易大学 2018
[3]基于SVM的上证50指数涨跌预测研究[D]. 左飞.安徽大学 2018
[4]基于因子分析的BP神经网络股指预测[D]. 石志成.云南大学 2017
[5]基于噪音及投资者情绪的股价可预测性研究[D]. 张然.北京交通大学 2015
[6]基于ARIMA模型的沪深300指数预测及期现套利的研究[D]. 卢怀营.苏州大学 2013
[7]基于随机波动模型的中国股市波动性实证研究[D]. 徐永坤.复旦大学 2008
本文编号：3002813
本文链接：https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/3002813.html
