股指期貨是以股票指數(shù)為標(biāo)的物的金融期貨品種,是我國(guó)金融市場(chǎng)的重要組成部分,在發(fā)揮著價(jià)格發(fā)現(xiàn)、對(duì)沖股票風(fēng)險(xiǎn)等作用的同時(shí),也極大豐富了金融投資者的投資渠道,影響了投資者的投資策略,其作為具有獨(dú)特功能的交易市場(chǎng)為整個(gè)經(jīng)濟(jì)領(lǐng)域提供著無可替代的作用,因而股指期貨價(jià)格預(yù)測(cè)的意義重大�，F(xiàn)有的股指期貨價(jià)格預(yù)測(cè)方法主要有使用傳統(tǒng)計(jì)量模型的時(shí)間序列分析法、支持向量機(jī)回歸模型、神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法等,但時(shí)間序列分析法難以刻畫金融市場(chǎng)波動(dòng)的隨機(jī)性和復(fù)雜性,對(duì)金融時(shí)序的預(yù)測(cè)效果不佳,而支持向量機(jī)存在核函數(shù)難以選擇和訓(xùn)練速度慢、耗時(shí)長(zhǎng)的缺點(diǎn),神經(jīng)網(wǎng)絡(luò)存在網(wǎng)絡(luò)結(jié)構(gòu)難以確定的缺點(diǎn),這就使得單一模型可能存在無法完全擬合模型的情況。由此,本文提出了集成支持向量機(jī)回歸模型和神經(jīng)網(wǎng)絡(luò)領(lǐng)域的長(zhǎng)短時(shí)記憶模型的混合模型構(gòu)建方案,旨在進(jìn)一步提升股指期貨價(jià)格預(yù)測(cè)的準(zhǔn)確性。本文首先分析了中國(guó)的三種股指期貨,鑒于中證500股指期貨的投機(jī)性、易操縱性,本文選擇了更具市場(chǎng)代表性的滬深300和上證50股指期貨主力合約日數(shù)據(jù)來作為研究對(duì)象,同時(shí)研究?jī)芍黄谪洰a(chǎn)品避免了模型的偶然性。在指標(biāo)選取上,將技術(shù)指標(biāo)納入模型的輸入變量,綜合考慮基本行情指標(biāo)和技術(shù)指... 

【文章來源】：上海師范大學(xué)上海市

【文章頁(yè)數(shù)】：82 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖4-2支持向量回歸（SVR）示意圖

上海師范大學(xué)碩士學(xué)位論文第4章基于混合模型的股指期貨價(jià)格預(yù)測(cè)理論框架27絡(luò)結(jié)構(gòu)示意圖，其中，A表示RNN的主體結(jié)構(gòu)，"是t時(shí)刻的輸入層，"是t時(shí)刻的輸出層。在t時(shí)刻，主體結(jié)構(gòu)A讀取t時(shí)刻的輸入層數(shù)據(jù)"，經(jīng)過運(yùn)算學(xué)習(xí)之后輸出"。圖4-3簡(jiǎn)單循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖之后我們延伸圖4-3的結(jié)構(gòu)，如圖4-4所示。RNN在每一時(shí)刻t都存在輸入層"，和與之相對(duì)應(yīng)的輸出層"，而此時(shí)的主體結(jié)構(gòu)A是根據(jù)t1時(shí)刻的主體結(jié)構(gòu)A和t時(shí)刻的輸入層"共同影響的，由此循環(huán)向后傳遞。簡(jiǎn)而言之，循環(huán)神經(jīng)網(wǎng)絡(luò)的“循環(huán)”之意就在于此。圖4-4循環(huán)神經(jīng)網(wǎng)絡(luò)展開結(jié)構(gòu)示意圖4.2.2長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LSTM）循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的循環(huán)記憶性使之非常適用于處理時(shí)序數(shù)據(jù)，但其也存在一定的缺陷，和人的記憶一樣，循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)越近的數(shù)據(jù)記憶最深，對(duì)于之前的數(shù)據(jù)會(huì)隨著時(shí)刻的推移逐漸淡忘，甚至最終完全遺忘，從而影響數(shù)據(jù)處理的精度。為了解決循環(huán)神經(jīng)網(wǎng)絡(luò)的致命缺陷：長(zhǎng)程依賴（Long-TermDependencies），Schmidhuber教授在上世紀(jì)末提出了長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LongShort-TermMemory，LSTM），這是基于循環(huán)神經(jīng)網(wǎng)絡(luò)的一種改良結(jié)構(gòu)，實(shí)現(xiàn)了同時(shí)記憶長(zhǎng)期和短期信息的功能。長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)LSTM是一種改進(jìn)的循環(huán)神經(jīng)網(wǎng)絡(luò)，它的特殊之處在于通過引入“門（Gates）”結(jié)構(gòu)來實(shí)現(xiàn)對(duì)信息的長(zhǎng)期記憶和有效篩眩

上海師范大學(xué)碩士學(xué)位論文第4章基于混合模型的股指期貨價(jià)格預(yù)測(cè)理論框架27絡(luò)結(jié)構(gòu)示意圖，其中，A表示RNN的主體結(jié)構(gòu)，"是t時(shí)刻的輸入層，"是t時(shí)刻的輸出層。在t時(shí)刻，主體結(jié)構(gòu)A讀取t時(shí)刻的輸入層數(shù)據(jù)"，經(jīng)過運(yùn)算學(xué)習(xí)之后輸出"。圖4-3簡(jiǎn)單循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖之后我們延伸圖4-3的結(jié)構(gòu)，如圖4-4所示。RNN在每一時(shí)刻t都存在輸入層"，和與之相對(duì)應(yīng)的輸出層"，而此時(shí)的主體結(jié)構(gòu)A是根據(jù)t1時(shí)刻的主體結(jié)構(gòu)A和t時(shí)刻的輸入層"共同影響的，由此循環(huán)向后傳遞。簡(jiǎn)而言之，循環(huán)神經(jīng)網(wǎng)絡(luò)的“循環(huán)”之意就在于此。圖4-4循環(huán)神經(jīng)網(wǎng)絡(luò)展開結(jié)構(gòu)示意圖4.2.2長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LSTM）循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的循環(huán)記憶性使之非常適用于處理時(shí)序數(shù)據(jù)，但其也存在一定的缺陷，和人的記憶一樣，循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)越近的數(shù)據(jù)記憶最深，對(duì)于之前的數(shù)據(jù)會(huì)隨著時(shí)刻的推移逐漸淡忘，甚至最終完全遺忘，從而影響數(shù)據(jù)處理的精度。為了解決循環(huán)神經(jīng)網(wǎng)絡(luò)的致命缺陷：長(zhǎng)程依賴（Long-TermDependencies），Schmidhuber教授在上世紀(jì)末提出了長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LongShort-TermMemory，LSTM），這是基于循環(huán)神經(jīng)網(wǎng)絡(luò)的一種改良結(jié)構(gòu)，實(shí)現(xiàn)了同時(shí)記憶長(zhǎng)期和短期信息的功能。長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)LSTM是一種改進(jìn)的循環(huán)神經(jīng)網(wǎng)絡(luò)，它的特殊之處在于通過引入“門（Gates）”結(jié)構(gòu)來實(shí)現(xiàn)對(duì)信息的長(zhǎng)期記憶和有效篩眩

【參考文獻(xiàn)】：
期刊論文
[1]基于LSTM神經(jīng)網(wǎng)絡(luò)的滬深300指數(shù)預(yù)測(cè)模型研究[J]. 馮宇旭,李裕梅.  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2019(07)
[2]基于深度學(xué)習(xí)LSTM神經(jīng)網(wǎng)絡(luò)的全球股票指數(shù)預(yù)測(cè)研究[J]. 楊青,王晨蔚.  統(tǒng)計(jì)研究. 2019(03)
[3]基于循環(huán)神經(jīng)網(wǎng)絡(luò)的股指價(jià)格預(yù)測(cè)研究[J]. 王理同,薛騰騰,王惠敏,劉震.  浙江工業(yè)大學(xué)學(xué)報(bào). 2019(02)
[4]基于LSTM的股票價(jià)格預(yù)測(cè)建模與分析[J]. 彭燕,劉宇紅,張榮芬.  計(jì)算機(jī)工程與應(yīng)用. 2019(11)
[5]金融時(shí)間序列組合預(yù)測(cè)模型與方法[J]. 吳曉峰,陳垚彤,趙桂彩.  中國(guó)市場(chǎng). 2019(09)
[6]基于神經(jīng)網(wǎng)絡(luò)集成學(xué)習(xí)股票預(yù)測(cè)模型的研究[J]. 謝琪,程耕國(guó),徐旭.  計(jì)算機(jī)工程與應(yīng)用. 2019(08)
[7]基于GRA-CS-BP算法的期貨價(jià)格預(yù)測(cè)[J]. 王海軍,金濤,林志偉.  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2018(24)
[8]基于GM-RBF神經(jīng)網(wǎng)絡(luò)的股票價(jià)格預(yù)測(cè)分析[J]. 劉述忠.  計(jì)算機(jī)與現(xiàn)代化. 2018(08)
[9]基于特征選取與LSTM模型的股指預(yù)測(cè)方法研究[J]. 陳佳,劉冬雪,武大碩.  計(jì)算機(jī)工程與應(yīng)用. 2019(06)
[10]基于LSTM-Adaboost模型的商品期貨投資策略研究[J]. 邸浩,趙學(xué)軍,張自力.  南方金融. 2018(08)

博士論文
[1]組合預(yù)測(cè)方法及其應(yīng)用研究[D]. 馬濤.蘭州大學(xué) 2017

碩士論文
[1]滬深300股指期貨價(jià)格預(yù)測(cè)研究[D]. 吳迪.沈陽工業(yè)大學(xué) 2018
[2]基于神經(jīng)網(wǎng)絡(luò)的股指期貨價(jià)格預(yù)測(cè)研究與應(yīng)用[D]. 胡文鵬.湖南大學(xué) 2018
[3]基于多預(yù)測(cè)模型的中國(guó)—東盟進(jìn)出口貿(mào)易額研究[D]. 鄧洋洋.廈門大學(xué) 2018
[4]基于LSTM和灰色模型集成的短期交通流預(yù)測(cè)[D]. 談苗苗.南京郵電大學(xué) 2017
[5]基于混合模型的股票趨勢(shì)預(yù)測(cè)方法研究[D]. 吳少聰.哈爾濱工業(yè)大學(xué) 2017
[6]滬深300股指期貨價(jià)格預(yù)測(cè)的實(shí)證研究[D]. 陳倩文.東北財(cái)經(jīng)大學(xué) 2016
[7]神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)在量化投資中的應(yīng)用[D]. 白凱敏.山東大學(xué) 2016
[8]基于深度學(xué)習(xí)之股指期貨交易[D]. 楊杰群.中國(guó)科學(xué)技術(shù)大學(xué) 2015
[9]神經(jīng)網(wǎng)絡(luò)在股指期貨中的應(yīng)用[D]. 徐鵬.對(duì)外經(jīng)濟(jì)貿(mào)易大學(xué) 2007



本文編號(hào)：3095986