基于LSTM的股票预测实证分析
发布时间:2021-07-31 12:44
2019年A股发生了许多大事,科创板开板、沪伦通开通、还有重组新规的落地等,我国股票市场正走在变革的道路上并且日渐完善。随着科技的进步,大量的金融数据得以保留,为股票市场的分析提供了坚实的数据基础。伴随深度学习研究的不断深入,人们正在不断的探索其在股票市场的上的应用。循环神经网络(RNN)是一种引入时序概念的神经网络,它的提出为分析时间序列数据提供了新的方法。长短时神经网络(LSTM)是一种优化了的循环神经网络,因其引入了门控的概念,克服了 RNN容易出现梯度消失和爆炸的问题;同时,LSTM神经元内部的多种门控各司其职,形成了对记忆数据的独立存储,进而可以解决数据的长序依赖问题。与传统的时间序列模型相比,LSTM得益于内部非线性激活函数的构建,在非线性相关数据的分析上具有一定的优势。本文尝试通过LSTM在股价预测和股价涨跌预测两个方面的实证分析,来验证LSTM对股票数据分析的适用性。同时本文对LSTM进行股票数据建模时容易出现的问题进行了总结,并对如何解决这些问题提出了自己的见解。希望从实证的角度为构建LSTM股票预测模型,提供一些具有参考价值的信息。本文选取了沪深300指数近5年的日...
【文章来源】:山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】:57 页
【学位级别】:硕士
【部分图文】:
图2-2循环神经网络的前向传播结构图??9??
山东大学硕士学位论文??当把图2-2展开就可以得到更加具体的循环神经网络的数据前向传播图,如??图2-3所示,首先需要通过输入层向隐藏层输入序列数据〇<:1>,??隐藏层的第一个神经元会收到两种数据,一个是人为设置的初始化数据a<()>,另一??个是序列数据的第一个数据;c<:l>,数据在第一神经元内部通过如公式(2.2)所示??运算后会生成数据^^^^会被传入到下一网络层的第一个神经元和同一网络??层的第二个神经元,第二个神经元会对1<2>和£1<1>同时进行运算生成数据a<2>,??同样a<2>也会被传给下一个神经元和下一个网络层对应的神经元,如此传递直至??最后结果的输出。在图2-3中;表示样本的第t个输入,是隐藏层的第t个??神经元,0<&为输出层的对第t个神经元,而则对应于输出层的第t个的输出。??L<1>?l<2>?l<3>?L<t>??A?A?A?h??夕<1>?夕<2>?夕<3>?夕<t>??午?个?t?个??〇<l>?〇<2>?j?〇<3>?Q<t>??ta<i>?t?a<2>??a<0>——a<1??a???fl<3>^???????a???X<1>?x<2>?x<3>?x<t>??图2-3循环神经网络数据传播图??前向传播包括数据的前向传导和损失函数的计算,根据图2-3,我们可以用公??式(2.2)至(2.6)来表达循环网络的前向传播。??a<:t>?=?f(Waa<0>?+?Wxx<x>?+?ba),?(2.2)??y<i>?=?g{Wya<1>?+?by),?(2.3)??a<t:>?=?f^Waa^-^?+?Wxx<t:>?+?ba),?(2.4)
山东大学硕士学位论文??以通过门控。特殊的,如果门输出值为0时,则表示没有数据信息通过门控,如果??门输出值为1,则表示所有数据信息都得以保留。??图2-5是LSTM的神经元结构和数据信息流向图,LSTM包括三个门控,分??别用二个sigmoid函数进行控制,我们分别用i,/,?〇表tk输入门(input)、遗忘(forget)??和输出门(output),?■和6分别表示权重参数和偏置参数。??/i<ci?|h<t+1>??C<t-3^?s,?c<t>,???C<t+1>??S?? ̄ ̄f ̄f?? ̄ ̄?,?]????k?个?tanh?n?T?tanh??j?I?I?lc<->??/i<t ̄1>Vj?:? ̄^?—? ̄ ̄—^??v.<t+l>??图2-5?LSTM神经元内部结构图??如图2-5所示,图中的(g)代表乘法运算,图中的?代表加法运算,(j代表sigmoid??函数,它可以将数据映射到0 ̄1的空间上,tanh代表tanh函数,它在这里的作用相??当于普通神经网络中的激活函数。x<t:>代表新数据的输入,/^〃^代表经上一个神??经元计算所得到的历史数据信息,代表经上一个神经元处理所形成的记忆数??据,代表经过这个神经元计算得到的数据信息,它是历史数据和新输入数据的??重新组合,也是代表下一个神经元输入的历史数据,代表经这个神经元处理后??得到的现时记忆数据,正是由于c<t:>有着独立于/!<[>的运算,才可以形成记忆数据??的独立存储,形成LSTM网络的长时记忆。??根据图2-5,这里通过公式具体地描述一下LSTM神经元内部运算以及数据??的传播。??(1)遗忘门:遗忘门的作用是让神经元
【参考文献】:
期刊论文
[1]基于独热编码和卷积神经网络的异常检测[J]. 梁杰,陈嘉豪,张雪芹,周悦,林家骏. 清华大学学报(自然科学版). 2019(07)
[2]循环神经网络研究综述[J]. 杨丽,吴雨茜,王俊丽,刘义理. 计算机应用. 2018(S2)
[3]有效市场假说综述[J]. 唐琨. 金融经济. 2018(20)
[4]基于LSTM-Adaboost模型的商品期货投资策略研究[J]. 邸浩,赵学军,张自力. 南方金融. 2018(08)
[5]基于LSTM神经网络模型的钢铁价格预测[J]. 陆泽楠,商玉林. 科技视界. 2017(13)
[6]中国股市弱式有效性检验[J]. 刘佩佩. 宿州学院学报. 2016(10)
[7]汇率收益率短记忆性与长记忆性特征的研究[J]. 吴慧慧. 广西民族大学学报(自然科学版). 2014(03)
[8]资产收益的短记忆性与长记忆性:我国股票市场效率的动态分析[J]. 李志生,刘正捷. 江西财经大学学报. 2011(01)
[9]我国股票市场与国民经济运行关系的实证研究[J]. 王平,张鸿武. 特区经济. 2006(10)
[10]神经网络与时间序列模型在股票预测中的比较[J]. 王波,张凤玲. 武汉理工大学学报(信息与管理工程版). 2005(06)
博士论文
[1]时间序列分析的早期发展[D]. 聂淑媛.西北大学 2012
[2]我国股市非线性时间序列分析[D]. 陈永忠.华中科技大学 2004
硕士论文
[1]基于LSTM神经网络的机场能见度预测[D]. 邓拓.山东大学 2019
[2]基于LSTM和投资者情绪的股票行情预测研究[D]. 周凌寒.华中师范大学 2018
[3]基于卷积神经网络的沪深300指数预测[D]. 陈祥一.北京邮电大学 2018
[4]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
[5]我国上市证券公司股价波动研究[D]. 李龙.中国海洋大学 2014
[6]神经网络技术在股票价格短期预测中的应用研究[D]. 闫冬.重庆交通大学 2013
[7]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
[8]我国股市对国民经济的“晴雨表”作用研究[D]. 张闪闪.吉林大学 2011
本文编号:3313492
【文章来源】:山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】:57 页
【学位级别】:硕士
【部分图文】:
图2-2循环神经网络的前向传播结构图??9??
山东大学硕士学位论文??当把图2-2展开就可以得到更加具体的循环神经网络的数据前向传播图,如??图2-3所示,首先需要通过输入层向隐藏层输入序列数据〇<:1>,??隐藏层的第一个神经元会收到两种数据,一个是人为设置的初始化数据a<()>,另一??个是序列数据的第一个数据;c<:l>,数据在第一神经元内部通过如公式(2.2)所示??运算后会生成数据^^^^会被传入到下一网络层的第一个神经元和同一网络??层的第二个神经元,第二个神经元会对1<2>和£1<1>同时进行运算生成数据a<2>,??同样a<2>也会被传给下一个神经元和下一个网络层对应的神经元,如此传递直至??最后结果的输出。在图2-3中;表示样本的第t个输入,是隐藏层的第t个??神经元,0<&为输出层的对第t个神经元,而则对应于输出层的第t个的输出。??L<1>?l<2>?l<3>?L<t>??A?A?A?h??夕<1>?夕<2>?夕<3>?夕<t>??午?个?t?个??〇<l>?〇<2>?j?〇<3>?Q<t>??ta<i>?t?a<2>??a<0>——a<1??a???fl<3>^???????a???X<1>?x<2>?x<3>?x<t>??图2-3循环神经网络数据传播图??前向传播包括数据的前向传导和损失函数的计算,根据图2-3,我们可以用公??式(2.2)至(2.6)来表达循环网络的前向传播。??a<:t>?=?f(Waa<0>?+?Wxx<x>?+?ba),?(2.2)??y<i>?=?g{Wya<1>?+?by),?(2.3)??a<t:>?=?f^Waa^-^?+?Wxx<t:>?+?ba),?(2.4)
山东大学硕士学位论文??以通过门控。特殊的,如果门输出值为0时,则表示没有数据信息通过门控,如果??门输出值为1,则表示所有数据信息都得以保留。??图2-5是LSTM的神经元结构和数据信息流向图,LSTM包括三个门控,分??别用二个sigmoid函数进行控制,我们分别用i,/,?〇表tk输入门(input)、遗忘(forget)??和输出门(output),?■和6分别表示权重参数和偏置参数。??/i<ci?|h<t+1>??C<t-3^?s,?c<t>,???C<t+1>??S?? ̄ ̄f ̄f?? ̄ ̄?,?]????k?个?tanh?n?T?tanh??j?I?I?lc<->??/i<t ̄1>Vj?:? ̄^?—? ̄ ̄—^??v.<t+l>??图2-5?LSTM神经元内部结构图??如图2-5所示,图中的(g)代表乘法运算,图中的?代表加法运算,(j代表sigmoid??函数,它可以将数据映射到0 ̄1的空间上,tanh代表tanh函数,它在这里的作用相??当于普通神经网络中的激活函数。x<t:>代表新数据的输入,/^〃^代表经上一个神??经元计算所得到的历史数据信息,代表经上一个神经元处理所形成的记忆数??据,代表经过这个神经元计算得到的数据信息,它是历史数据和新输入数据的??重新组合,也是代表下一个神经元输入的历史数据,代表经这个神经元处理后??得到的现时记忆数据,正是由于c<t:>有着独立于/!<[>的运算,才可以形成记忆数据??的独立存储,形成LSTM网络的长时记忆。??根据图2-5,这里通过公式具体地描述一下LSTM神经元内部运算以及数据??的传播。??(1)遗忘门:遗忘门的作用是让神经元
【参考文献】:
期刊论文
[1]基于独热编码和卷积神经网络的异常检测[J]. 梁杰,陈嘉豪,张雪芹,周悦,林家骏. 清华大学学报(自然科学版). 2019(07)
[2]循环神经网络研究综述[J]. 杨丽,吴雨茜,王俊丽,刘义理. 计算机应用. 2018(S2)
[3]有效市场假说综述[J]. 唐琨. 金融经济. 2018(20)
[4]基于LSTM-Adaboost模型的商品期货投资策略研究[J]. 邸浩,赵学军,张自力. 南方金融. 2018(08)
[5]基于LSTM神经网络模型的钢铁价格预测[J]. 陆泽楠,商玉林. 科技视界. 2017(13)
[6]中国股市弱式有效性检验[J]. 刘佩佩. 宿州学院学报. 2016(10)
[7]汇率收益率短记忆性与长记忆性特征的研究[J]. 吴慧慧. 广西民族大学学报(自然科学版). 2014(03)
[8]资产收益的短记忆性与长记忆性:我国股票市场效率的动态分析[J]. 李志生,刘正捷. 江西财经大学学报. 2011(01)
[9]我国股票市场与国民经济运行关系的实证研究[J]. 王平,张鸿武. 特区经济. 2006(10)
[10]神经网络与时间序列模型在股票预测中的比较[J]. 王波,张凤玲. 武汉理工大学学报(信息与管理工程版). 2005(06)
博士论文
[1]时间序列分析的早期发展[D]. 聂淑媛.西北大学 2012
[2]我国股市非线性时间序列分析[D]. 陈永忠.华中科技大学 2004
硕士论文
[1]基于LSTM神经网络的机场能见度预测[D]. 邓拓.山东大学 2019
[2]基于LSTM和投资者情绪的股票行情预测研究[D]. 周凌寒.华中师范大学 2018
[3]基于卷积神经网络的沪深300指数预测[D]. 陈祥一.北京邮电大学 2018
[4]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
[5]我国上市证券公司股价波动研究[D]. 李龙.中国海洋大学 2014
[6]神经网络技术在股票价格短期预测中的应用研究[D]. 闫冬.重庆交通大学 2013
[7]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
[8]我国股市对国民经济的“晴雨表”作用研究[D]. 张闪闪.吉林大学 2011
本文编号:3313492
本文链接:https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/3313492.html