金融時間序列預測是一種根據(jù)金融數(shù)據(jù)的歷史規(guī)律以及變化趨勢對未來數(shù)據(jù)的發(fā)展狀況做出合理推測的時間序列分析技術(shù),它對于政府部門、投資機構(gòu)以及投資者們均有著重要的意義。由于金融時間序列具有非線性、非穩(wěn)定以及輸入特征多等特性,因此建立較高預測精度的金融時間序列預測模型一直以來都是金融領(lǐng)域和計算機領(lǐng)域的研究熱點。本文給出了三種基于生成對抗網(wǎng)絡的金融時間序列預測模型,并采用2002年1月至2020年3月的滬深300指數(shù)對其預測性能進行驗證。本文的主要工作如下:1、給出一種基于經(jīng)驗模態(tài)分解生成對抗網(wǎng)絡的金融時間序列預測模型。針對金融時間序列非線性且非穩(wěn)定的特點,將經(jīng)驗模態(tài)分解與生成對抗網(wǎng)絡的生成器結(jié)合作為該模型的生成器;針對生成對抗網(wǎng)絡模型不穩(wěn)定的特點,將WGAN-gp生成器的損失函數(shù)與真實數(shù)據(jù)和生成數(shù)據(jù)的均方誤差結(jié)合作為本模型生成器的目標函數(shù)。采用滬深300指數(shù)驗證該模型的預測性能,其均方誤差為0.0019,實驗結(jié)果表明該模型能夠更好地分析和處理非線性、非平穩(wěn)的金融時間序列并取得了良好的預測效果。2、給出一種基于雙階段注意力機制生成對抗網(wǎng)絡金融時間序列預測模型。針對金融時間序列輸入特征多且難以自適... 

【文章來源】：大連海事大學遼寧省 211工程院校

【文章頁數(shù)】：85 頁

【學位級別】：碩士

【部分圖文】：

圖２．１循環(huán)神經(jīng)網(wǎng)絡結(jié)構(gòu)??Ｆｉｇ．?２．１?ＲＮＮ?ｓｔｒｕｃｔｕｒｅ??圖２．１中ａ表示的是未按照時間展開的ＲＮＮ網(wǎng)絡結(jié)構(gòu)，ｂ表示的是按照時間展開的??ＲＮＮ網(wǎng)絡結(jié)構(gòu)圖

圖２．２?ＲＮＮ的四種結(jié)構(gòu)??Ｆｉｇ．?２．２?Ｆｏｕｒ?ｓｔｒｕｃｔｕｒｅ?ｏｆ?ＲＮＮ??

?基于多元經(jīng)驗模態(tài)分解生成對抗網(wǎng)絡的金融時間序列預測???＾?〇〇〇＃〇〇??隱藏層?＃?＃?＃?ｗ??，、?／＼?７、?／?＼?／Ｋ?／＼??？〇〇〇〇〇?〇??Ｘ，?ｘ２?ｘ３?ｘ４?ｘ５?ｘ６?ｘ７??圖２．３梯度消失原理??Ｆｉｇ．?２．３?Ｓｃｈｅｍａｔｉｃ?ｏｆ?ｇｒａｄｉｅｎｔ?ｄｉｓａｐｐｅａｒａｎｃｅ??２．４．２?長短時記憶網(wǎng)絡??由于ＲＮＮ存在梯度“消失”和梯度“爆炸”的問題，經(jīng)過大量研宄，Ｓｃｈｍｉｄｈｕｂｅｒ??等人于１９９７年提出了?ＬＳＴＭ神經(jīng)網(wǎng)絡。ＬＳＴＭ神經(jīng)網(wǎng)絡通過增加輸入門（ｉｎｐｕｔ?ｇａｔｅ），輸??出門（ｏｕｔｐｕｔ?ｇａｔｅ），遺忘門（ｆｏｒｇｅｔ?ｇａｔｅ）以及單元狀態(tài)（ｃｅｌｌ?ｓｔａｔｅ）來控制信息的流動及保存。??具體來說，ＬＳＴＭ通過輸入門和輸出門來控制信息的流入與流出，通過遺忘門來控制上??一時刻的單元狀態(tài)有多少信息可以被保存在這一時刻。ＬＳＴＭ通過改變自循環(huán)的權(quán)重參??數(shù)，在模型參數(shù)固定的情況下可以有效的避免循環(huán)神經(jīng)網(wǎng)絡中存在的梯度“消失”和梯??度“爆炸”的問題。ＬＳＴＭ的網(wǎng)絡結(jié)構(gòu)如圖２．４所示：??ｘｔ??１?１?Ｉ?￣ｘ￣Ｌ?——??ａ?ａ?ｔａｎｋ?ａ?ｓｔ??Ａ?ｉｔ?Ｃ／?＾＾???ＪＬ??ｔａｎｋ??Ｃｔ－ｉ?”?”?Ｃｆ?Ｃｔ??—？?＜Ｓ＞?—？??圖２．４?ＬＳＴＭ網(wǎng)絡結(jié)構(gòu)??Ｆｉｇ．?２．４?ＬＳＴＭ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ??－１４－??

【參考文獻】：
期刊論文
[1]生成式對抗網(wǎng)絡研究綜述[J]. 羅佳,黃晉英.  儀器儀表學報. 2019(03)
[2]基于生成對抗網(wǎng)絡的地面新增建筑檢測[J]. 王玉龍,蒲軍,趙江華,黎建輝.  計算機應用. 2019(05)
[3]生成式對抗網(wǎng)絡GAN的研究進展與展望[J]. 王坤峰,茍超,段艷杰,林懿倫,鄭心湖,王飛躍.  自動化學報. 2017(03)
[4]基于回聲狀態(tài)網(wǎng)絡的電力市場電價預測[J]. 任遠.  電力系統(tǒng)保護與控制. 2016(11)
[5]基于EMD與BP神經(jīng)網(wǎng)絡的中國股票指數(shù)期貨價格預測[J]. 李聰,楊德平,孫海濤.  青島大學學報(自然科學版). 2012(02)
[6]基于隨機森林方法的基金收益率方向預測與交易策略研究[J]. 方匡南,朱建平,謝邦昌.  經(jīng)濟經(jīng)緯. 2010(02)
[7]基于支持向量機的股市時間序列預測算法[J]. 楊穌,史耀媛,宋恒.  科學技術(shù)與工程. 2008(02)

碩士論文
[1]基于LSTM模型的金融時間序列預測算法研究[D]. 陳璐.哈爾濱工業(yè)大學 2019
[2]基于動態(tài)貝葉斯生成對抗網(wǎng)絡的量化擇時研究[D]. 白麗.大連海事大學 2019
[3]變壓器繞組狀態(tài)的振動檢測法研究[D]. 田玉芳.山東大學 2014



本文編號：3329910