近年來(lái),在全球重視被動(dòng)投資的大背景下,指數(shù)化投資已經(jīng)成為資產(chǎn)管理領(lǐng)域重要的發(fā)展趨勢(shì)。投資者希望通過(guò)股指交易對(duì)沖風(fēng)險(xiǎn)或獲利,監(jiān)管者希望市場(chǎng)平穩(wěn)運(yùn)行,這些都需要對(duì)股市指數(shù)走勢(shì)有正確的判斷。滬深300指數(shù)作為中國(guó)股市大盤(pán)指數(shù)中最熱門的追蹤指數(shù)之一,分析和預(yù)測(cè)其發(fā)展趨勢(shì)有利于政府提前了解市場(chǎng)發(fā)展?fàn)顩r,以及時(shí)規(guī)避重大風(fēng)險(xiǎn),促進(jìn)市場(chǎng)健康發(fā)展,并能夠?yàn)橥顿Y者判斷指數(shù)型產(chǎn)品的買賣時(shí)機(jī)提供輔助。股票預(yù)測(cè)領(lǐng)域中以往常用的預(yù)測(cè)模型有人工神經(jīng)網(wǎng)絡(luò)(ANN)、SVM和隨機(jī)森林等。隨著深度學(xué)習(xí)的發(fā)展,深度學(xué)習(xí)模型如CNN、LSTM等,在計(jì)算機(jī)視覺(jué)和自然語(yǔ)言處理等方面展現(xiàn)出很大的優(yōu)勢(shì),同時(shí)也逐步應(yīng)用到金融時(shí)間序列的研究中。同時(shí)由于自動(dòng)提取特征的算法的出現(xiàn),最近的研究者越來(lái)越傾向于使用深度學(xué)習(xí)模型對(duì)股票市場(chǎng)進(jìn)行研究。然而無(wú)論是以往常用的金融預(yù)測(cè)模型還是現(xiàn)在的深度學(xué)習(xí)模型,對(duì)它們的研究大多僅使用了市場(chǎng)中的技術(shù)指標(biāo)或歷史價(jià)格數(shù)據(jù),而沒(méi)有考慮宏觀經(jīng)濟(jì)環(huán)境以及其他股票市場(chǎng)對(duì)A股市場(chǎng)的影響,忽略了那些有可能為股指預(yù)測(cè)性能提升帶來(lái)幫助的信息來(lái)源。本文選擇多種來(lái)源的指標(biāo)作為預(yù)測(cè)股指的初始特征,包括股指本身的基本特征、技術(shù)指標(biāo)、A股...

【文章頁(yè)數(shù)】：80 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 研究背景與意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 研究綜述
        1.2.1 機(jī)器學(xué)習(xí)模型在股市預(yù)測(cè)中的應(yīng)用
        1.2.2 深度學(xué)習(xí)模型在股市預(yù)測(cè)中的應(yīng)用
        1.2.3 降維技術(shù)在股市預(yù)測(cè)中的應(yīng)用
        1.2.4 綜述小結(jié)
    1.3 研究?jī)?nèi)容和創(chuàng)新點(diǎn)
        1.3.1 研究?jī)?nèi)容
        1.3.2 創(chuàng)新點(diǎn)
    1.4 論文組織結(jié)構(gòu)
2 股市預(yù)測(cè)分析和模型介紹
    2.1 股市預(yù)測(cè)問(wèn)題分析
    2.2 模型介紹
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.2 長(zhǎng)短期記憶網(wǎng)絡(luò)
        2.2.3 機(jī)器學(xué)習(xí)模型
    2.3 降維技術(shù)介紹
        2.3.1 PCA
        2.3.2 KPCA
        2.3.3 瓶頸神經(jīng)網(wǎng)絡(luò)
    2.4 模型評(píng)估指標(biāo)
        2.4.1 混淆矩陣
        2.4.2 損失
3 指數(shù)預(yù)測(cè)的特征集數(shù)據(jù)處理
    3.1 變量說(shuō)明
        3.1.1 原始特征
        3.1.2 數(shù)據(jù)標(biāo)簽
    3.2 數(shù)據(jù)預(yù)處理
        3.2.1 不同步數(shù)據(jù)處理
        3.2.2 歸一化
    3.3 數(shù)據(jù)探索性分析
        3.3.1 正態(tài)性檢驗(yàn)
        3.3.2 相關(guān)性分析
    3.4 特征工程
        3.4.1 特征選擇
        3.4.2 特征提取
4 滬深300指數(shù)預(yù)測(cè)
    4.1 超參數(shù)設(shè)置
        4.1.1 超參數(shù)說(shuō)明
        4.1.2 超參數(shù)選擇方法
    4.2 基于CNN預(yù)測(cè)指數(shù)方向
        4.2.1 模型描述
        4.2.2 模型構(gòu)建
        4.2.3 CNN預(yù)測(cè)
    4.3 基于LSTM預(yù)測(cè)指數(shù)方向
        4.3.1 模型構(gòu)建
        4.3.2 LSTM預(yù)測(cè)
    4.4 機(jī)器學(xué)習(xí)模型預(yù)測(cè)指數(shù)方向
        4.4.1 Logistic回歸模型
        4.4.2 多層感知機(jī)
        4.4.3 ANN
        4.4.4 降維方法比較
    4.5 模型比較與分析
        4.5.1 模型預(yù)測(cè)效果比較
        4.5.2 結(jié)果討論
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 后續(xù)工作的展望
參考文獻(xiàn)
附錄
致謝



本文編號(hào)：3764937