隨著市場(chǎng)化經(jīng)濟(jì)體制改革,我國(guó)期貨市場(chǎng)逐漸發(fā)展壯大。1990年10月,鄭州糧食批發(fā)市場(chǎng)的成立標(biāo)志著中國(guó)期貨市場(chǎng)的誕生。時(shí)隔30年,我國(guó)期貨市場(chǎng)已經(jīng)初具規(guī)模。期貨市場(chǎng)在不斷完善的過(guò)程中發(fā)揮著越來(lái)越重要的作用,期貨價(jià)格的走勢(shì)不僅影響投資者的切身利益,還關(guān)系到市場(chǎng)整體的健康發(fā)展。因此,提高期貨價(jià)格的預(yù)測(cè)精度不僅具有理論意義,更具有深遠(yuǎn)的現(xiàn)實(shí)意義。然而,期貨價(jià)格具有非線性和非平穩(wěn)性的特征,這給高精度預(yù)測(cè)帶來(lái)了嚴(yán)峻的挑戰(zhàn)。為了提升模型的預(yù)測(cè)效果,增加模型在數(shù)據(jù)集上的魯棒性,筆者將從以下內(nèi)容展開(kāi)研究:(1)對(duì)市場(chǎng)的有效性進(jìn)行檢驗(yàn):通過(guò)Hurst檢驗(yàn)、ADF檢驗(yàn)以及方差比率檢驗(yàn)證明市場(chǎng)不服從隨機(jī)游走假設(shè),具有一定的可預(yù)測(cè)性;(2)收集與預(yù)測(cè)變量具有相關(guān)性的因子,利用互信息以及Lasso方法對(duì)收集的因子進(jìn)行綜合篩選,并使用堆棧自編碼器(SAE)降低篩選后因子的維度,在不損失有效信息的前提下,提高后續(xù)預(yù)測(cè)模型的收斂速度;(3)在長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)的基礎(chǔ)上引入Attention機(jī)制,并使用布谷鳥(niǎo)優(yōu)化算法(CS)對(duì)模型的重要參數(shù)進(jìn)行尋優(yōu),提高確定性預(yù)測(cè)的魯棒性以及預(yù)測(cè)精度;(4)為了體現(xiàn)預(yù)測(cè)系統(tǒng)的完整...

【文章頁(yè)數(shù)】：78 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
        1.1.1 選題背景
        1.1.2 研究意義
    1.2 國(guó)內(nèi)外研究綜述
        1.2.1 確定性點(diǎn)預(yù)測(cè)
        1.2.2 不確定性區(qū)間預(yù)測(cè)
        1.2.3 文獻(xiàn)述評(píng)
    1.3 研究?jī)?nèi)容安排及創(chuàng)新
        1.3.1 研究?jī)?nèi)容
        1.3.2 主要?jiǎng)?chuàng)新
        1.3.3 內(nèi)容安排
第二章 理論基礎(chǔ)與研究設(shè)計(jì)
    2.1 市場(chǎng)有效性檢驗(yàn)方法
    2.2 多因子分析方法
        2.2.1 互信息
        2.2.2 最小絕對(duì)收縮和選擇算子(Lasso)
        2.2.3 堆棧自編碼器(SAE)
    2.3 確定性預(yù)測(cè)方法
    2.4 不確定性區(qū)間預(yù)測(cè)方法
    2.5 研究設(shè)計(jì)
第三章 市場(chǎng)有效性檢驗(yàn)與期貨價(jià)格影響因子分析
    3.1 實(shí)驗(yàn)數(shù)據(jù)的選擇
        3.1.1 主連合約的構(gòu)建
        3.1.2 描述性分析
        3.1.3 技術(shù)指標(biāo)
    3.2 市場(chǎng)有效性檢驗(yàn)
        3.2.1 Hurst檢驗(yàn)
        3.2.2 ADF檢驗(yàn)
        3.2.3 方差比率檢驗(yàn)
    3.3 多因子分析
        3.3.1 因子相關(guān)性分析
        3.3.2 綜合因子篩選
        3.3.3 因子壓縮
    3.4 本章小結(jié)
第四章 基于CS-Attention-LSTM模型的確定性預(yù)測(cè)
    4.1 模型搭建及參數(shù)優(yōu)化
        4.1.1 數(shù)據(jù)無(wú)量綱化
        4.1.2 Attention-LSTM模型設(shè)計(jì)
        4.1.3 布谷鳥(niǎo)優(yōu)化算法調(diào)參
    4.2 預(yù)測(cè)結(jié)果分析
        4.2.1 模型評(píng)估指標(biāo)
        4.2.2 模型預(yù)測(cè)結(jié)果
    4.3 預(yù)測(cè)效果評(píng)估
    4.4 參數(shù)的敏感性檢驗(yàn)
    4.5 本章小結(jié)
第五章 基于GS-QRLSTM模型的不確定性區(qū)間預(yù)測(cè)
    5.1 模型設(shè)計(jì)
        5.1.1 模型評(píng)價(jià)指標(biāo)
        5.1.2 分位數(shù)回歸LSTM
    5.2 模型訓(xùn)練
        5.2.1 網(wǎng)格搜索優(yōu)化算法調(diào)參
        5.2.2 預(yù)測(cè)結(jié)果分析
    5.3 模型驗(yàn)證
        5.3.1 分位數(shù)回歸梯度提升樹(shù)(QRGBDT)
        5.3.2 高斯過(guò)程回歸(GPR)
        5.3.3 模型效果評(píng)估
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
        6.1.1 主要結(jié)論
        6.1.2 不足
    6.2 展望
參考文獻(xiàn)
附錄
致謝
作者簡(jiǎn)介及攻讀碩士學(xué)位期間取得的研究成果



本文編號(hào)：3834107