基于机器学习算法的股票价格趋势研究

发布时间：2023-03-20 04:23

　　如今,基于数理统计模型的量化投资技术得到了充分的发展和应用,投资者基于此类方法可获得较大回报。机器学习、深度学习算法随着AI时代的到来被应用到各个领域。这些前沿算法可以实时处理海量的数据,模型也能取得不错的拟合效果,同时泛化能力也得到大幅提升。在本论文中,尝试将这些前沿算法应用到股票市场中,分别采用机器学习中的XGBoost方法与深度学习中的LSTM方法对股票调整收盘价预测,并对拟合效果进行对比。首先,本文介绍了机器学习和深度学习的概念、应用、模型的优化方法,接下来介绍了数据的来源与特征工程的概念。实证目标是利用前N天的数据(即预测范围大于等于1)对Vanguard Total Stock Market ETF(VTI)每天的调整收盘价进行预测。文章中用到的的数据是基于VTI的历史价格:自2015.11.25至2018.11.23。其次,基于金融时间序列预测具有不确定性、复杂性与时间记忆性的特点,本文提出了使用机器学习算法的构建的XGBoost模型与使用深度学习算法的构建的长短期记忆神经网络模型,在股票数据中提取特征作为模型的输入,同时将上面两种模型与lastvalue、移动平均法、线...

【文章页数】：86 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题研究的背景与意义
        1.1.1 课题背景
        1.1.2 研究意义
    1.2 本文的研究内容及主要贡献
        1.2.1 研究内容
        1.2.2 创新性
    1.3 股票市场预测研究现状
    1.4 本文的结构安排
第2章 算法理论
    2.1 机器学习概念及相关理论模型
        2.1.1 机器学习概念
        2.1.2 机器学习模型
    2.2 深度学习概念及其模型
        2.2.1 深度学习概念
        2.2.2 循环神经网络
        2.2.3 LSTM
第3章 股票价格趋势预测模型构建
    3.1 数据介绍(数据的来源及描述)
    3.2 特征工程
        3.2.1 特征工程简介
        3.2.2 特征工程的重要性
        3.2.3 特征工程具体内容
    3.3 模型调优
        3.3.1 留出法(hold-out)
        3.3.2 交叉验证(k-fold)
    3.4 模型评价方法
        3.4.1 回归评估指标
        3.4.2 分类评估指标
        3.4.3 ROC曲线和AUC
    3.5 预测模型构建过程
        3.5.1 循环神经网络与LSTM参数设定
第4章 实证分析
    4.1 股价预测模型的实例分析
        4.1.1 Last Value
        4.1.2 移动平均线(simple moving average)
        4.1.3 线性回归
        4.1.4 XGBoost
    4.2 深度学习的股价预测模型的实例分析
    4.3 实证分析对比
第5章 结论与展望
参考文献
致谢
攻读学位期间发表及录用学术论文
学位论文评阅及答辩情况表



本文编号：3766677