基于多时间尺度复合深度神经网络的股票价格预测

发布时间：2021-11-01 14:59

　　本文以2012—2019年沪深300指数为样本,利用深度学习方法对沪深300指数的涨跌方向进行预测。在多时间尺度上分别运用卷积神经网络与长短时记忆模型进行特征提取后,通过将不同时间尺度上的特征矩阵进行拼接而得到最终的预测结果。在使用不同网络结构超参数调整模型结构后,将预测效果与其他模型进行比较,发现本文提出的多时间尺度CNN-LSTM模型能够有效改善对沪深300指数涨跌预测的效果,并在交易回测中获得盈利。本文的研究丰富了金融时间序列数据分析的方法,既能为投资者提供决策参考,也有助于提升对金融市场规律的认知。 

【文章来源】：武汉金融. 2020,(09)北大核心

【文章页数】：9 页

【部分图文】：

卷积神经网络结构示意图

其中，Wo代表sigmoid激活函数层的权重参数；bo代表sigmoid激活函数层的偏置参数；ot代表sigmoid激活函数层的输出；ht代表该时刻记忆单元的输出，即隐含状态。四、实证分析

(5)Dropout层。Dropout层的作用为在每一次迭代训练中随机地从神经网络中冻结一部分隐含层的神经元，并通过这样的方式降低神经元之间的关联性以及模型的复杂度，从而达到正则化的效果。本模型中使用0.2的Dropout比例。(6）输出层。使用仅含有1个神经元的全连接层对上一层的输出进行处理，得到最终的输出，即模型的预测结果。该输出为沪深300指数下一交易日上涨的概率。当上涨概率超过0.5时即认为预测的结果为上涨，反之则视为下跌。

【参考文献】：
期刊论文
[1]基于LSTM神经网络的金融时间序列预测[J]. 欧阳红兵,黄亢,闫洪举.  中国管理科学. 2020(04)
[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]基于神经网络的股票收益率预测研究[J]. 潘水洋,刘俊玮,王一鸣.  浙江大学学报(理学版). 2019(05)
[4]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)
[5]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)
[6]基于近邻互信息的SVM-GARCH股票价格预测模型研究[J]. 张贵生,张信东.  中国管理科学. 2016(09)
[7]随机森林在量化选股中的应用研究[J]. 王淑燕,曹正凤,陈铭芷.  运筹与管理. 2016(03)
[8]使用随机森林算法实现优质股票的选择[J]. 曹正凤,纪宏,谢邦昌.  首都经济贸易大学学报. 2014(02)
[9]核主成分遗传算法与SVR选股模型改进[J]. 苏治,傅晓媛.  统计研究. 2013(05)
[10]中国股市是弱式有效的吗——基于一种新方法的实证研究[J]. 陈灯塔,洪永淼.  经济学(季刊). 2003(04)



本文编号：3470313