在經(jīng)濟(jì)社會(huì)發(fā)展中各個(gè)領(lǐng)域都與大宗商品有著密切的聯(lián)系,大宗商品的價(jià)格變化不僅會(huì)直接影響著產(chǎn)業(yè)鏈中企業(yè)的經(jīng)濟(jì)效益,而且在全球化成為主流趨勢(shì)并且競(jìng)爭(zhēng)日益激烈的國際社會(huì)中對(duì)大宗商品的定價(jià)權(quán)的掌握以及價(jià)格合理的預(yù)期會(huì)對(duì)一個(gè)國家的外貿(mào)起著顯著的影響,因此期貨也會(huì)在經(jīng)濟(jì)金融發(fā)展過程中扮演著越來越重要的角色。影響期貨價(jià)格的因素紛繁復(fù)雜,在大數(shù)據(jù)時(shí)代為了從中有效的提取更多有價(jià)值的信息需要采用一定的技術(shù)手段,深度學(xué)習(xí)模型為這一需求提供可能。本文選取商品期貨精對(duì)苯二甲酸(PTA)作為研究對(duì)象,樣本數(shù)據(jù)來源于wind數(shù)據(jù)庫,包括PTA的基本面因子包括五個(gè)子類供應(yīng)類、需求類、價(jià)格類、庫存類和宏觀經(jīng)濟(jì)類因子共計(jì)29個(gè)指標(biāo)以及22個(gè)技術(shù)類指標(biāo)。時(shí)間段位于2013年10月30日—2020年12月7日之間共計(jì)1734天的時(shí)間序列數(shù)據(jù)。在預(yù)測(cè)方法上,本文選取了四種基本的神經(jīng)網(wǎng)絡(luò)模型:BP神經(jīng)網(wǎng)絡(luò)、RNN神經(jīng)網(wǎng)絡(luò)、長短記憶神經(jīng)網(wǎng)絡(luò)(LSTM)、門控制循環(huán)神經(jīng)網(wǎng)絡(luò)(GRU),為了提高預(yù)測(cè)精度在此基礎(chǔ)上構(gòu)建GRU—LSTM混合神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè),采用均方誤差MSE(Mean Squared Error)來表示模型的預(yù)測(cè)準(zhǔn)確性。最...

【文章頁數(shù)】：69 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 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 國內(nèi)外研究現(xiàn)狀及分析
        1.2.1 國外研究現(xiàn)狀
        1.2.2 國內(nèi)研究現(xiàn)狀
        1.2.3 研究現(xiàn)狀評(píng)析
    1.3 研究思路與研究?jī)?nèi)容
        1.3.1 研究思路
        1.3.2 研究框架
第2章 PTA價(jià)格預(yù)測(cè)理論基礎(chǔ)
    2.1 期貨精對(duì)苯二甲酸簡(jiǎn)介
    2.2 期貨價(jià)格主觀預(yù)測(cè)方法
        2.2.1 基本面分析
        2.2.2 期貨技術(shù)面分析
    2.3 傳統(tǒng)時(shí)間序列預(yù)測(cè)方法
        2.3.1 ARMA(p,q)模型
        2.3.2 ARIMA(p,d,q)模型
        2.3.3 ARCH(p)模型
    2.4 機(jī)器學(xué)習(xí)理論概述
        2.4.1 BP神經(jīng)網(wǎng)絡(luò)
        2.4.2 RNN循環(huán)神經(jīng)網(wǎng)絡(luò)
        2.4.3 LSTM長短記憶神經(jīng)網(wǎng)絡(luò)
        2.4.4 GRU門控制循環(huán)神經(jīng)網(wǎng)絡(luò)
    2.5 梯度下降算法優(yōu)化理論
        2.5.1 Ade Grade算法
        2.5.2 動(dòng)量梯度下降法(Momentum)
        2.5.3 牛頓加速梯度算法(Nesterov Accelerated Gradient,NAG)
        2.5.4 Adam算法
    2.6 本章小結(jié)
第3章 樣本選擇及模型構(gòu)建
    3.1 研究對(duì)象及時(shí)序數(shù)據(jù)集構(gòu)建
        3.1.1 研究對(duì)象選取
        3.1.2 因子的選取
    3.2 實(shí)驗(yàn)數(shù)據(jù)收集與預(yù)處理
        3.2.1 實(shí)驗(yàn)數(shù)據(jù)收集
        3.2.2 標(biāo)準(zhǔn)化
        3.2.3 訓(xùn)練數(shù)據(jù)集的劃分
    3.3 GRU-LSTM混合網(wǎng)絡(luò)模型的構(gòu)建
    3.4 本章小結(jié)
第4章 PTA期貨價(jià)格的實(shí)證預(yù)測(cè)
    4.1 BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)分析
    4.2 RNN神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)結(jié)果
    4.3 LSTM模型實(shí)證結(jié)果
    4.4 GRU神經(jīng)網(wǎng)絡(luò)同步預(yù)測(cè)
    4.5 GRU—LSTM混合模型實(shí)證預(yù)測(cè)分析
        4.5.1 GRU—LSTM混合模型實(shí)證結(jié)果
        4.5.2 五種模型預(yù)測(cè)結(jié)果的對(duì)比
    4.6 對(duì)策建議
    4.7 本章小結(jié)
結(jié)論
參考文獻(xiàn)
致謝



本文編號(hào)：3826465