LSTM和GRU神经网络在股指高频数据预测中的研究
发布时间：2022-11-03 22:22
在众多新兴技术高速发展的今天,金融时间序列数据的预测研究热度不减。本文研究神经网络在股指高频数据预测中的应用,使用长短期记忆（LSTM）递归神经网络和门控循环单元（GRU）递归神经网络对时序数据进行预测。本文详细探讨了 LSTM和GRU的前向传播过程和误差反向传播过程,对神经网络在金融时间序列预测中的可行性进行分析。本文进行了三方面的研究:一是进行LSTM和GRU的对比研究;二是验证LSTM和GRU在股指高频数据单步预测中的普适性;三是对深度学习的多步预测进行拓展探究。选用上海证券综合指数、上证50指数、中证小盘500指数和中证1000指数3年共731个交易日的的每五分钟高频数据,分别使用LSTM和GRU构建单变量单步模型、多元单步模型和多元多步模型,以均方根误差（RMSE）、平均绝对误差（MAE）和拟合优度（R2score）为评价指标,并对预测过程的梯度下降情况和预测结果进行可视化呈现。在LSTM单变量单步模型和GRU单变量单步模型中,4个数据集的RMSE和MAE均值小于0.03,R2score均值大于0.99;在LSTM多元单步模型、GR...
【文章页数】：79 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 前言
1.1 选题背景
1.2 选题意义
1.2.1 理论意义
1.2.2 实践意义
1.3 国内外相关研究综述
1.3.1 早期预测方法
1.3.2 基于神经网络的股市数据预测
1.3.3 多步预测研究现状
1.4 研究框架
1.5 重难点及创新性
第2章 深度学习理论介绍及可行性分析
2.1 神经网络的诞生与发展
2.2 循环神经网络
2.2.1 RNN的结构
2.2.2 RNN的优势与不足
2.3 LSTM递归神经网络
2.3.1 LSTM的结构
2.3.2 LSTM的前向传播
2.3.3 LSTM的参数学习
2.4 GRU递归神经网络
2.4.1 GRU的结构
2.4.2 GRU的前向传播
2.4.3 GRU的参数学习
2.5 神经网络在金融时序预测的可行性
2.5.1 神经网络的广泛应用
2.5.2 金融数据的特性
第3章 基于LSTM和GRU的股指高频数据预测
3.1 数据选取及预处理
3.1.1 数据集选取
3.1.2 数据标准化
3.1.3 滚动时间窗口
3.1.4 数据批处理
3.2 模型搭建及预测思路
3.2.1 研究思路
3.2.2 模型搭建
3.2.3 评价指标
3.2.4 参数选取
3.3 实证探究
3.3.1 LSTM与GRU在单变量单步模型中的对比研究
3.3.2 LSTM与GRU在单步模型中的研究
3.3.3 深度学习LSTM与GRU在多步预测中的拓展探究
第4章 结论与展望
4.1 结论
4.2 展望
致谢
参考文献
附录
学位论文评阅及答辩情况表
【参考文献】：
期刊论文
[1]基于多尺度层级LSTM网络的时间序列预测分析[J]. 张旭东,杜家浩,黄宇方,石东贤,缪永伟. 计算机科学. 2019(S2)
[2]基于神经网络的股票预测模型[J]. 乔若羽. 运筹与管理. 2019(10)
[3]基于深度学习LSTM神经网络的全球股票指数预测研究[J]. 杨青,王晨蔚. 统计研究. 2019(03)
[4]基于LSTM的股票价格预测建模与分析[J]. 彭燕,刘宇红,张荣芬. 计算机工程与应用. 2019(11)
[5]基于深度学习支持向量机的上证指数预测[J]. 张晶华,甘宇健. 统计与决策. 2019(02)
[6]基于神经网络集成学习股票预测模型的研究[J]. 谢琪,程耕国,徐旭. 计算机工程与应用. 2019(08)
[7]基于深度学习的上证综指波动率预测效果比较研究[J]. 陈卫华. 统计与信息论坛. 2018(05)
[8]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)
[9]基于支持向量机股票价格指数建模及预测[J]. 刘道文,樊明智. 统计与决策. 2013(02)
[10]时间序列模型和神经网络模型在股票预测中的分析[J]. 刘海玥,白艳萍. 数学的实践与认识. 2011(04)
本文编号：3700733
【文章页数】：79 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 前言
1.1 选题背景
1.2 选题意义
1.2.1 理论意义
1.2.2 实践意义
1.3 国内外相关研究综述
1.3.1 早期预测方法
1.3.2 基于神经网络的股市数据预测
1.3.3 多步预测研究现状
1.4 研究框架
1.5 重难点及创新性
第2章 深度学习理论介绍及可行性分析
2.1 神经网络的诞生与发展
2.2 循环神经网络
2.2.1 RNN的结构
2.2.2 RNN的优势与不足
2.3 LSTM递归神经网络
2.3.1 LSTM的结构
2.3.2 LSTM的前向传播
2.3.3 LSTM的参数学习
2.4 GRU递归神经网络
2.4.1 GRU的结构
2.4.2 GRU的前向传播
2.4.3 GRU的参数学习
2.5 神经网络在金融时序预测的可行性
2.5.1 神经网络的广泛应用
2.5.2 金融数据的特性
第3章 基于LSTM和GRU的股指高频数据预测
3.1 数据选取及预处理
3.1.1 数据集选取
3.1.2 数据标准化
3.1.3 滚动时间窗口
3.1.4 数据批处理
3.2 模型搭建及预测思路
3.2.1 研究思路
3.2.2 模型搭建
3.2.3 评价指标
3.2.4 参数选取
3.3 实证探究
3.3.1 LSTM与GRU在单变量单步模型中的对比研究
3.3.2 LSTM与GRU在单步模型中的研究
3.3.3 深度学习LSTM与GRU在多步预测中的拓展探究
第4章 结论与展望
4.1 结论
4.2 展望
致谢
参考文献
附录
学位论文评阅及答辩情况表
【参考文献】：
期刊论文
[1]基于多尺度层级LSTM网络的时间序列预测分析[J]. 张旭东,杜家浩,黄宇方,石东贤,缪永伟. 计算机科学. 2019(S2)
[2]基于神经网络的股票预测模型[J]. 乔若羽. 运筹与管理. 2019(10)
[3]基于深度学习LSTM神经网络的全球股票指数预测研究[J]. 杨青,王晨蔚. 统计研究. 2019(03)
[4]基于LSTM的股票价格预测建模与分析[J]. 彭燕,刘宇红,张荣芬. 计算机工程与应用. 2019(11)
[5]基于深度学习支持向量机的上证指数预测[J]. 张晶华,甘宇健. 统计与决策. 2019(02)
[6]基于神经网络集成学习股票预测模型的研究[J]. 谢琪,程耕国,徐旭. 计算机工程与应用. 2019(08)
[7]基于深度学习的上证综指波动率预测效果比较研究[J]. 陈卫华. 统计与信息论坛. 2018(05)
[8]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)
[9]基于支持向量机股票价格指数建模及预测[J]. 刘道文,樊明智. 统计与决策. 2013(02)
[10]时间序列模型和神经网络模型在股票预测中的分析[J]. 刘海玥,白艳萍. 数学的实践与认识. 2011(04)
本文编号：3700733
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3700733.html
