基于LSTM-ARIMA混合模型的股价相关系数预测模型研究
发布时间：2021-03-02 18:34
随着计算机技术的稳步发展,机器学习、人工智能等技术也开始崭露头角。近年来,这些技术的应用范围除计算机领域,更是被应用到金融、医学等研究领域。这也给其他领域原有的一些研究方法带来了一定的机遇和挑战,但同时也能够用这些技术和方法解决以往不能克服的难题。比如在金融领域,尤其是量化交易者们更是对深度学习等技术趋之若鹜。因为从本质上来讲,深度学习和传统的统计学模型一样,都是不同的数学模型在一种特定场景下的应用,可谓万变不离其宗。深度学习在金融领域的应用多集中于股票市场价格和趋势的研究。这是由于一般的股价时间序列数据由线性和非线性两个组成部分,传统的模型对其非线性部分的处理具有一定局限性,深度学习的应用正好是对传统模型的补充。基于此,利用线性和非线性相结合的预测模型,即ARIMA-LSTM混合模型对标普500股价相关系数进行预测,以期能够帮助投资者理性分析投资目标,做出合理投资决策,对促进股票市场的健康发展具有重要意义。本文选取2010年1月1日至2019年12月31日纽约交易所每个日度交易数据作为研究样本,利用ARIMA模型及LSTM模型对样本区间后10%股票序列未来趋势进行预测,再利用ARIM...
【文章来源】：西南科技大学四川省
【文章页数】：55 页
【学位级别】：硕士
【部分图文】：
RNN神经网络模型结构
西南科技大学硕士学位论文22图3-4RNN神经网络模型结构=（Wf×[ht1,xt]+bf）（3-12）在图3-5中用相同符号表示的函数是激活函数，通常称为sigmoid激活函数，用以启用模型的非线性功能。图3-5LSTM神经网络存储细胞内部结构σ(X)=1+（3-13）在下一阶段中，输入门和输入候选门共同作用以生成新的单元状态，该状态将作为更新的单元状态传递到下一时间步。输入门使用sigmond函数作为激活函数，输入候选门则选择tanh函数为函数，并输出和。用以选择Ct中的哪个特征应反映到新的单元状态中。=(×[1,]+)（3-14）=tanh(×[1,]+)（3-15）tanh函数，是双曲正切函数。与sigmond函数不同的是，sigmond函数输出值介于0和1之间的值，而tanh输出则介于-1和1之间。
西南科技大学硕士学位论文22图3-4RNN神经网络模型结构=（Wf×[ht1,xt]+bf）（3-12）在图3-5中用相同符号表示的函数是激活函数，通常称为sigmoid激活函数，用以启用模型的非线性功能。图3-5LSTM神经网络存储细胞内部结构σ(X)=1+（3-13）在下一阶段中，输入门和输入候选门共同作用以生成新的单元状态，该状态将作为更新的单元状态传递到下一时间步。输入门使用sigmond函数作为激活函数，输入候选门则选择tanh函数为函数，并输出和。用以选择Ct中的哪个特征应反映到新的单元状态中。=(×[1,]+)（3-14）=tanh(×[1,]+)（3-15）tanh函数，是双曲正切函数。与sigmond函数不同的是，sigmond函数输出值介于0和1之间的值，而tanh输出则介于-1和1之间。
【参考文献】：
期刊论文
[1]基于跟踪微分器的泰勒展开与ARIMA混合模型对股票价格的短期预测[J]. 罗志丹,刘英,郭伟. 数学的实践与认识. 2019(23)
[2]基于ARIMA模型、灰色模型和回归模型的预测比较[J]. 李志超,刘升. 统计与决策. 2019(23)
[3]股票价格与人民币汇率的联动性分析——基于Copula-ARIMA模型[J]. 石炀. 山西财经大学学报. 2019(S2)
[4]基于神经网络的股票预测模型[J]. 乔若羽. 运筹与管理. 2019(10)
[5]基于神经网络的股票收益率预测研究[J]. 潘水洋,刘俊玮,王一鸣. 浙江大学学报(理学版). 2019(05)
[6]中国公路物流运价指数预测研究——基于ARIMA-Adam-LSTM模型的分析[J]. 彭建良,丁怡越,左晓琴. 价格理论与实践. 2019(06)
[7]基于粒子群优化LSTM的股票预测模型[J]. 宋刚,张云峰,包芳勋,秦超. 北京航空航天大学学报. 2019(12)
[8]基于BP神经网络误差校正的ARIMA组合预测模型[J]. 吴晓峰,杨颖梅,陈垚彤. 统计与决策. 2019(15)
[9]改进的ARIMA-GM-SVR组合预测模型及应用[J]. 张鹏. 统计与决策. 2019(13)
[10]基于ARIMA和BP神经网络组合模型的能源消费预测[J]. 谢小军,邱云兰,时凌. 数学的实践与认识. 2019(10)
硕士论文
[1]基于LSTM神经网络模型的股价涨跌预测研究[D]. 徐甜甜.上海师范大学 2019
[2]基于ARIMA-LSTM混合模型的机械传动件制造企业销售预测方法研究与应用[D]. 程俊.电子科技大学 2018
[3]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：3059742
【文章来源】：西南科技大学四川省
【文章页数】：55 页
【学位级别】：硕士
【部分图文】：
RNN神经网络模型结构
西南科技大学硕士学位论文22图3-4RNN神经网络模型结构=（Wf×[ht1,xt]+bf）（3-12）在图3-5中用相同符号表示的函数是激活函数，通常称为sigmoid激活函数，用以启用模型的非线性功能。图3-5LSTM神经网络存储细胞内部结构σ(X)=1+（3-13）在下一阶段中，输入门和输入候选门共同作用以生成新的单元状态，该状态将作为更新的单元状态传递到下一时间步。输入门使用sigmond函数作为激活函数，输入候选门则选择tanh函数为函数，并输出和。用以选择Ct中的哪个特征应反映到新的单元状态中。=(×[1,]+)（3-14）=tanh(×[1,]+)（3-15）tanh函数，是双曲正切函数。与sigmond函数不同的是，sigmond函数输出值介于0和1之间的值，而tanh输出则介于-1和1之间。
西南科技大学硕士学位论文22图3-4RNN神经网络模型结构=（Wf×[ht1,xt]+bf）（3-12）在图3-5中用相同符号表示的函数是激活函数，通常称为sigmoid激活函数，用以启用模型的非线性功能。图3-5LSTM神经网络存储细胞内部结构σ(X)=1+（3-13）在下一阶段中，输入门和输入候选门共同作用以生成新的单元状态，该状态将作为更新的单元状态传递到下一时间步。输入门使用sigmond函数作为激活函数，输入候选门则选择tanh函数为函数，并输出和。用以选择Ct中的哪个特征应反映到新的单元状态中。=(×[1,]+)（3-14）=tanh(×[1,]+)（3-15）tanh函数，是双曲正切函数。与sigmond函数不同的是，sigmond函数输出值介于0和1之间的值，而tanh输出则介于-1和1之间。
【参考文献】：
期刊论文
[1]基于跟踪微分器的泰勒展开与ARIMA混合模型对股票价格的短期预测[J]. 罗志丹,刘英,郭伟. 数学的实践与认识. 2019(23)
[2]基于ARIMA模型、灰色模型和回归模型的预测比较[J]. 李志超,刘升. 统计与决策. 2019(23)
[3]股票价格与人民币汇率的联动性分析——基于Copula-ARIMA模型[J]. 石炀. 山西财经大学学报. 2019(S2)
[4]基于神经网络的股票预测模型[J]. 乔若羽. 运筹与管理. 2019(10)
[5]基于神经网络的股票收益率预测研究[J]. 潘水洋,刘俊玮,王一鸣. 浙江大学学报(理学版). 2019(05)
[6]中国公路物流运价指数预测研究——基于ARIMA-Adam-LSTM模型的分析[J]. 彭建良,丁怡越,左晓琴. 价格理论与实践. 2019(06)
[7]基于粒子群优化LSTM的股票预测模型[J]. 宋刚,张云峰,包芳勋,秦超. 北京航空航天大学学报. 2019(12)
[8]基于BP神经网络误差校正的ARIMA组合预测模型[J]. 吴晓峰,杨颖梅,陈垚彤. 统计与决策. 2019(15)
[9]改进的ARIMA-GM-SVR组合预测模型及应用[J]. 张鹏. 统计与决策. 2019(13)
[10]基于ARIMA和BP神经网络组合模型的能源消费预测[J]. 谢小军,邱云兰,时凌. 数学的实践与认识. 2019(10)
硕士论文
[1]基于LSTM神经网络模型的股价涨跌预测研究[D]. 徐甜甜.上海师范大学 2019
[2]基于ARIMA-LSTM混合模型的机械传动件制造企业销售预测方法研究与应用[D]. 程俊.电子科技大学 2018
[3]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：3059742
本文链接：https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/3059742.html
