基于主成分分析与序列到序列学习模型的股票收盘价格预测
发布时间：2021-07-20 18:26
股票是金融市场最重要的组成部分,是一个受多种因素影响的复杂非线性动态系统,成为学者们长时间持续研究的课题,精确稳定的股票预测模型对于投资者规避风险、制定可盈利的投资策略至关重要,所以股票预测模型具有重要的研究意义。当前快速发展的计算机技术和大数据时代的到来,使神经网络机器学习、深度学习技术得到了很大的发展,由于其具有较强的非线性逼近能力和自学能力,被广泛应用于时间序列预测中,促使股票研究进入了新的阶段。其中,循环神经网络在处理序列化数据方面有突出的表现,具有记忆功能,能够保存历史信息,并且能够随着新数据的输入不断更新,能够有效解决时间序列的长短期依赖问题。文章采用循环神经网络中的序列到序列（Seq2Seq）学习模型,对股票的收盘价格进行短期价格预测,并且与多种金融时间序列预测模型进行比较分析,探讨Seq2Seq模型在股票短期趋势预测方面的适用性与预测效果。文章选取的研究数据为中国股票市场中极具代表性的2只股票指数,即上证综合指数和深证综合指数,验证Seq2Seq模型股票预测方面的普适性,其次选取在2018年里6只国内市值较大、成交量排名靠前的活跃个股,验证其预测效果。选取的每日数据变量...
【文章来源】：上海师范大学上海市
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
RNN神经网络模型结构
上海师范大学硕士学位论文第2章相关概念与理论基础112.4.1循环神经网络模型（RNN）[22]循环神经网络（RecurrentNeuralNetwork,RNN）是一类以序列数据为输入，在序列的演进方向递归且所有节点（循环单元）按照链式链接的递归神经网络。传统的神经网络只是在层与层之间建立了权连接，而与传统的神经网络相比，RNN是一种特殊的神经网络结构，它是根据“人的认知是基于过往的经验和记忆”这一观点提出的，它不仅考虑前一刻的输入，而且创造了神经网络对前面所有内容的一种“记忆”功能。RNN神经网络模型的主要结构如下图2-1所示：图2-1RNN神经网络模型结构如图2-1所示，在隐藏层中，有一个箭头表示数据的循环更新，隐藏层的反馈不仅流入输出端，还流入下一个时间步的隐藏层，进而对下一个时间步的各个权重值产生影响，这个就是实现时间记忆功能的方法。多个时间步该神经网络的逐层展开图如下图2-2所示：图2-2RNN神经网络模型多个时间步展开图如图2-2所示，t1,t,t1表示时间序列，x表示输入的样本，tS表示样本在时间t处的记忆单元。对于t时刻，当输入样本时：
上海师范大学硕士学位论文第2章相关概念与理论基础13长短时记忆神经网络（LongShortTermMemory，LSTM）是RNN的一个改进与发展，其每一层都设计有多个“GATE”结构的神经元，这些模块可以记忆隐藏层的任意时间状态，无论梯度的传播途径有多长，它都不会完全消失或者下降为零。模型的具体结构如下图2-3所示：图2-3LSTM神经网络模型具体结构如上图2-3所示，LSTM模型在各个神经单元的内部增加了三个控制门，一个输入门决定何时允许激活状态传递给记忆单元，一个输出门决定激活状态离开记忆单元，还有一个是忘记门决定上一个神经元的状态是被全部或部分记忆或者完全将其遗忘清楚。当梯度下降时，这些门可以用于选择性记忆反馈的误差函数修正参数。上图每个黑色节点连通一个激活函数，用于存储的记忆单元的内部状态如最中间的节点所示，它以数量1作为权重来跨越时间步，再反馈给它自己。LSTM网络通过递归方程更新记忆单元，激活从输入x到输出y的映射：11()titititiiWxUhVcb11()tftftftffWxUhVcb
【参考文献】：
期刊论文
[1]基于Markowitz理论的股票组合投资模型[J]. 李方圆. 现代商业. 2019(26)
[2]基于股票预测的Seq2Seq RNN和LSTM模型比较[J]. 王钧,张鹏,袁帅. 时代金融. 2018(35)
[3]基于主成分分析与广义回归神经网络的股票价格预测[J]. 于卓熙,秦璐,赵志文,温馨. 统计与决策. 2018(18)
[4]基于EEMD-LSTM-Adaboost的商品价格预测[J]. 邸浩,赵学军,张自力. 统计与决策. 2018(13)
[5]基于深度学习算法的欧式股指期权定价研究——来自50ETF期权市场的证据[J]. 谢合亮,游涛. 统计与信息论坛. 2018(06)
[6]互联网时代下的大数据的统筹[J]. 杨柳. 中国战略新兴产业. 2018(20)
[7]基于改进Sequence-to-Sequence模型的文本摘要生成方法[J]. 周健,田萱,崔晓晖. 计算机工程与应用. 2019(01)
[8]一种改进的Attention-Based LSTM特征选择模型[J]. 朱星嘉,李红莲,吕学强,周建设,夏红科. 北京信息科技大学学报(自然科学版). 2018(02)
[9]基于LSTM神经网络的黑色金属期货套利策略模型[J]. 龙奥明,毕秀春,张曙光. 中国科学技术大学学报. 2018(02)
[10]深度学习的金融实证应用:动态、贡献与展望[J]. 苏治,卢曼,李德轩. 金融研究. 2017(05)
硕士论文
[1]神经网络和深度学习在量化投资中的应用[D]. 白凯敏.山东大学 2016
[2]基于神经网络的上证指数预测研究[D]. 李志杰.华南理工大学 2015
[3]基于时间序列分析的股票价格趋势预测研究[D]. 宫聪聪.山东大学 2012
[4]基于ARIMA模型对沪深300指数的预测分析[D]. 白营闪.华南理工大学 2010
[5]基于神经网络的技术分析有效性研究[D]. 唐雨虹.电子科技大学 2005
本文编号：3293351
【文章来源】：上海师范大学上海市
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
RNN神经网络模型结构
上海师范大学硕士学位论文第2章相关概念与理论基础112.4.1循环神经网络模型（RNN）[22]循环神经网络（RecurrentNeuralNetwork,RNN）是一类以序列数据为输入，在序列的演进方向递归且所有节点（循环单元）按照链式链接的递归神经网络。传统的神经网络只是在层与层之间建立了权连接，而与传统的神经网络相比，RNN是一种特殊的神经网络结构，它是根据“人的认知是基于过往的经验和记忆”这一观点提出的，它不仅考虑前一刻的输入，而且创造了神经网络对前面所有内容的一种“记忆”功能。RNN神经网络模型的主要结构如下图2-1所示：图2-1RNN神经网络模型结构如图2-1所示，在隐藏层中，有一个箭头表示数据的循环更新，隐藏层的反馈不仅流入输出端，还流入下一个时间步的隐藏层，进而对下一个时间步的各个权重值产生影响，这个就是实现时间记忆功能的方法。多个时间步该神经网络的逐层展开图如下图2-2所示：图2-2RNN神经网络模型多个时间步展开图如图2-2所示，t1,t,t1表示时间序列，x表示输入的样本，tS表示样本在时间t处的记忆单元。对于t时刻，当输入样本时：
上海师范大学硕士学位论文第2章相关概念与理论基础13长短时记忆神经网络（LongShortTermMemory，LSTM）是RNN的一个改进与发展，其每一层都设计有多个“GATE”结构的神经元，这些模块可以记忆隐藏层的任意时间状态，无论梯度的传播途径有多长，它都不会完全消失或者下降为零。模型的具体结构如下图2-3所示：图2-3LSTM神经网络模型具体结构如上图2-3所示，LSTM模型在各个神经单元的内部增加了三个控制门，一个输入门决定何时允许激活状态传递给记忆单元，一个输出门决定激活状态离开记忆单元，还有一个是忘记门决定上一个神经元的状态是被全部或部分记忆或者完全将其遗忘清楚。当梯度下降时，这些门可以用于选择性记忆反馈的误差函数修正参数。上图每个黑色节点连通一个激活函数，用于存储的记忆单元的内部状态如最中间的节点所示，它以数量1作为权重来跨越时间步，再反馈给它自己。LSTM网络通过递归方程更新记忆单元，激活从输入x到输出y的映射：11()titititiiWxUhVcb11()tftftftffWxUhVcb
【参考文献】：
期刊论文
[1]基于Markowitz理论的股票组合投资模型[J]. 李方圆. 现代商业. 2019(26)
[2]基于股票预测的Seq2Seq RNN和LSTM模型比较[J]. 王钧,张鹏,袁帅. 时代金融. 2018(35)
[3]基于主成分分析与广义回归神经网络的股票价格预测[J]. 于卓熙,秦璐,赵志文,温馨. 统计与决策. 2018(18)
[4]基于EEMD-LSTM-Adaboost的商品价格预测[J]. 邸浩,赵学军,张自力. 统计与决策. 2018(13)
[5]基于深度学习算法的欧式股指期权定价研究——来自50ETF期权市场的证据[J]. 谢合亮,游涛. 统计与信息论坛. 2018(06)
[6]互联网时代下的大数据的统筹[J]. 杨柳. 中国战略新兴产业. 2018(20)
[7]基于改进Sequence-to-Sequence模型的文本摘要生成方法[J]. 周健,田萱,崔晓晖. 计算机工程与应用. 2019(01)
[8]一种改进的Attention-Based LSTM特征选择模型[J]. 朱星嘉,李红莲,吕学强,周建设,夏红科. 北京信息科技大学学报(自然科学版). 2018(02)
[9]基于LSTM神经网络的黑色金属期货套利策略模型[J]. 龙奥明,毕秀春,张曙光. 中国科学技术大学学报. 2018(02)
[10]深度学习的金融实证应用:动态、贡献与展望[J]. 苏治,卢曼,李德轩. 金融研究. 2017(05)
硕士论文
[1]神经网络和深度学习在量化投资中的应用[D]. 白凯敏.山东大学 2016
[2]基于神经网络的上证指数预测研究[D]. 李志杰.华南理工大学 2015
[3]基于时间序列分析的股票价格趋势预测研究[D]. 宫聪聪.山东大学 2012
[4]基于ARIMA模型对沪深300指数的预测分析[D]. 白营闪.华南理工大学 2010
[5]基于神经网络的技术分析有效性研究[D]. 唐雨虹.电子科技大学 2005
本文编号：3293351
本文链接：https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/3293351.html
