基于长短期记忆深度学习网络模型的股指价格预测研究

发布时间：2023-12-25 15:43

　　股票市场这类金融市场自诞生以来,各类数据模型以及机器学习、数据挖掘等方法都被投资者用于预测股价的未来走势,并获得丰厚的回报。股票市场作为一个公认的复杂动力系统,影响因素众多,具有非平稳性、非线性、高噪声、长记忆性等性质,很难简单通过数学模型对其进行解释,因此股票市场的分析与预测一直以来都是一个极具挑战的工作。随着深度学习方法在各行各业中取得了突破性的进展,金融研究者们开始将其应用于金融时间序列的预测研究。本文以深度学习方法为基础,研究了金融时间序列预测相关的问题,并以沪深300指数为预测对象,将2009-2019年沪深300指数相关数据作为研究样本,对下一日收盘价进行预测,设计了一个以长短期记忆深度学习网络(LSTM)模块为基础的金融时间序列预测模型。该模型结合了小波去噪模块、堆叠自编码器模块(SAE)和长短期记忆网络模块(LSTM)3个模块,进而对金融市场股价指数时间序列进行分析预测。本文选取了开盘价、收盘价等基本行情数据(OHLC)、MACD、ROC等技术指标以及SHIBOR等宏观经济指标,共21个指标作为模型的输入数据。首先,在小波降噪模块,本文选取了Sym6小波和SureShr...

【文章页数】：59 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景与意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究综述
        1.2.1 小波分析在金融时间序列分析上的应用
        1.2.2 神经网络在金融时间序列分析上的应用
        1.2.3 深度学习网络在金融时间序列分析上的应用
    1.3 研究内容与结构安排
    1.4 研究创新
第2章 相关基础理论与模型介绍
    2.1 股指分析预测理论
        2.1.1 股指价格影响因素
        2.1.2 股指价格预测难点
        2.1.3 常用方法
    2.2 小波分析相关理论
        2.2.1 小波分析概念
        2.2.2 多分辨分析与Mallat算法
    2.3 堆叠自编码器相关理论
        2.3.1 自编码器
        2.3.2 堆叠自编码器
    2.4 长短期记忆神经网络相关理论
        2.4.1 循环神经网络
        2.4.2 长短期记忆神经网络
第3章 股指价格预测模型的构建
    3.1 模型设计框架
    3.2 输入数据选择
    3.3 小波去噪模块
        3.3.1 小波去噪的原理
        3.3.2 小波基函数的选择
        3.3.3 阈值的确定
    3.4 数据归一化处理方法
    3.5 深度学习网络预测模型结构与参数选择
        3.5.1 激活函数
        3.5.2 优化器方法(Optimizer):
        3.5.3 防止模型过拟合的方法
        3.5.4 模型参数的优化选择方法
    3.6 评价指标选取
    3.7 算法实现工具
    3.8 本章小结
第4章 基于长短期记忆深度学习网络的股指价格预测分析
    4.1 输入数据
    4.2 小波去噪的小波基函数与阈值函数
    4.3 模型训练方法
    4.4 堆叠自编码器结构与参数
    4.5 长短期记忆神经网络结构与参数
    4.6 沪深300指数预测结果分析
    4.7 沪深300指数模型预测精度分析
    4.8 沪深300指数模型盈利能力分析
    4.9 本章小结
第5章 结论与展望
    5.1 研究结论
    5.2 研究展望
参考文献
致谢
个人简历、在学期间发表的学术论文与研究成果



本文编号：3875231