股票市場不僅受眾多因素的影響,且影響因素間也存在復(fù)雜的非線性動(dòng)態(tài)交互關(guān)系,使得時(shí)間序列數(shù)據(jù)成為一個(gè)具有序列相關(guān)性、非平穩(wěn)性、非線性等綜合特征的復(fù)雜系統(tǒng)。因此,構(gòu)建科學(xué)有效的方法實(shí)現(xiàn)股市的精準(zhǔn)預(yù)測成為一項(xiàng)極具挑戰(zhàn)性且具有重要學(xué)術(shù)和應(yīng)用價(jià)值的工作。傳統(tǒng)的計(jì)量經(jīng)濟(jì)學(xué)方法和淺層機(jī)器學(xué)習(xí)方法,存在對(duì)原始數(shù)據(jù)處理能力不足、過擬合、收斂慢等重要缺陷,股價(jià)序列的特征提取及預(yù)測建模成為了金融數(shù)據(jù)建模領(lǐng)域的一個(gè)關(guān)鍵難題。本文以滬深300指數(shù)和中證500指數(shù)作為研究標(biāo)的,提出了一種基于兩階段特征提取的Bi LSTM-GRU股價(jià)預(yù)測集成框架,將特征提取與深度學(xué)習(xí)相結(jié)合,用于股市日收盤價(jià)預(yù)測�？紤]到股票市場影響因素眾多,引入多個(gè)外生變量作為模型的輸入變量。在對(duì)數(shù)據(jù)預(yù)處理后,第一階段特征提取采用主成分分析(PCA)降低數(shù)據(jù)輸入的維度,可以避免數(shù)據(jù)之間的冗余,提高算法的運(yùn)行效率。考慮到股票價(jià)格變化的復(fù)雜性,單靠主成分分析處理數(shù)據(jù)遠(yuǎn)遠(yuǎn)不夠,因此第二階段特征提取采用層次聚類對(duì)降維后的數(shù)據(jù)進(jìn)行分類。層次聚類挖掘并重新排列訓(xùn)練數(shù)據(jù)中外生變量的主要特征,將強(qiáng)相關(guān)數(shù)據(jù)劃分為一類,形成不同的訓(xùn)練子集,避免訓(xùn)練數(shù)據(jù)特征分散導(dǎo)致模型缺...

【文章頁數(shù)】：59 頁

【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
    1.2 研究意義
        1.2.1 理論意義
        1.2.2 現(xiàn)實(shí)意義
    1.3 文獻(xiàn)綜述
        1.3.1 股票價(jià)格預(yù)測方法
        1.3.2 股票價(jià)格影響因素
        1.3.3 文獻(xiàn)述評(píng)
    1.4 研究內(nèi)容、方法和技術(shù)路線
        1.4.1 研究內(nèi)容
        1.4.2 研究方法
        1.4.3 技術(shù)路線
    1.5 創(chuàng)新點(diǎn)
第二章 相關(guān)原理和研究設(shè)計(jì)
    2.1 相關(guān)原理
        2.1.1 主成分分析
        2.1.2 層次聚類
        2.1.3 BiLSTM雙向長短期記憶神經(jīng)網(wǎng)絡(luò)
        2.1.4 GRU門限循環(huán)單元
    2.2 研究設(shè)計(jì)
    2.3 本章小結(jié)
第三章 樣本選取和數(shù)據(jù)處理
    3.0 樣本選取
    3.1 輸入數(shù)據(jù)
    3.2 數(shù)據(jù)預(yù)處理
        3.2.1 缺失值填充
        3.2.2 歸一化
        3.2.3 PCA降維
        3.2.4 層次聚類
    3.3 本章小結(jié)
第四章 基于BiLSTM-GRU的股價(jià)預(yù)測
    4.1 BiLSTM預(yù)測
        4.1.1 建立模型
        4.1.2 評(píng)價(jià)指標(biāo)
        4.1.3 結(jié)果分析
    4.2 GRU集成
        4.2.1 建立模型
        4.2.2 評(píng)價(jià)指標(biāo)
        4.2.3 結(jié)果分析
    4.3 對(duì)比實(shí)驗(yàn)
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 結(jié)論
    5.2 展望
參考文獻(xiàn)
致謝
作者簡介



本文編號(hào)：4048949