本文以2012—2019年滬深300指數(shù)為樣本,利用深度學習方法對滬深300指數(shù)的漲跌方向進行預測。在多時間尺度上分別運用卷積神經(jīng)網(wǎng)絡(luò)與長短時記憶模型進行特征提取后,通過將不同時間尺度上的特征矩陣進行拼接而得到最終的預測結(jié)果。在使用不同網(wǎng)絡(luò)結(jié)構(gòu)超參數(shù)調(diào)整模型結(jié)構(gòu)后,將預測效果與其他模型進行比較,發(fā)現(xiàn)本文提出的多時間尺度CNN-LSTM模型能夠有效改善對滬深300指數(shù)漲跌預測的效果,并在交易回測中獲得盈利。本文的研究豐富了金融時間序列數(shù)據(jù)分析的方法,既能為投資者提供決策參考,也有助于提升對金融市場規(guī)律的認知。 

【文章來源】：武漢金融. 2020,(09)北大核心

【文章頁數(shù)】：9 頁

【部分圖文】：

卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

其中，Wo代表sigmoid激活函數(shù)層的權(quán)重參數(shù)；bo代表sigmoid激活函數(shù)層的偏置參數(shù)；ot代表sigmoid激活函數(shù)層的輸出；ht代表該時刻記憶單元的輸出，即隱含狀態(tài)。四、實證分析

(5)Dropout層。Dropout層的作用為在每一次迭代訓練中隨機地從神經(jīng)網(wǎng)絡(luò)中凍結(jié)一部分隱含層的神經(jīng)元，并通過這樣的方式降低神經(jīng)元之間的關(guān)聯(lián)性以及模型的復雜度，從而達到正則化的效果。本模型中使用0.2的Dropout比例。(6）輸出層。使用僅含有1個神經(jīng)元的全連接層對上一層的輸出進行處理，得到最終的輸出，即模型的預測結(jié)果。該輸出為滬深300指數(shù)下一交易日上漲的概率。當上漲概率超過0.5時即認為預測的結(jié)果為上漲，反之則視為下跌。

【參考文獻】：
期刊論文
[1]基于LSTM神經(jīng)網(wǎng)絡(luò)的金融時間序列預測[J]. 歐陽紅兵,黃亢,閆洪舉.  中國管理科學. 2020(04)
[2]基于神經(jīng)網(wǎng)絡(luò)的股票預測模型[J]. 喬若羽.  運籌與管理. 2019(10)
[3]基于神經(jīng)網(wǎng)絡(luò)的股票收益率預測研究[J]. 潘水洋,劉俊瑋,王一鳴.  浙江大學學報(理學版). 2019(05)
[4]基于深度學習LSTM神經(jīng)網(wǎng)絡(luò)的全球股票指數(shù)預測研究[J]. 楊青,王晨蔚.  統(tǒng)計研究. 2019(03)
[5]深度學習的金融實證應(yīng)用:動態(tài)、貢獻與展望[J]. 蘇治,盧曼,李德軒.  金融研究. 2017(05)
[6]基于近鄰互信息的SVM-GARCH股票價格預測模型研究[J]. 張貴生,張信東.  中國管理科學. 2016(09)
[7]隨機森林在量化選股中的應(yīng)用研究[J]. 王淑燕,曹正鳳,陳銘芷.  運籌與管理. 2016(03)
[8]使用隨機森林算法實現(xiàn)優(yōu)質(zhì)股票的選擇[J]. 曹正鳳,紀宏,謝邦昌.  首都經(jīng)濟貿(mào)易大學學報. 2014(02)
[9]核主成分遺傳算法與SVR選股模型改進[J]. 蘇治,傅曉媛.  統(tǒng)計研究. 2013(05)
[10]中國股市是弱式有效的嗎——基于一種新方法的實證研究[J]. 陳燈塔,洪永淼.  經(jīng)濟學(季刊). 2003(04)



本文編號：3470313