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
