發(fā)布時(shí)間：2021-01-27 09:21

　　在經(jīng)濟(jì)全球化、金融一體化的進(jìn)程中,金融市場出現(xiàn)了很多異常現(xiàn)象,這些現(xiàn)象是以有效市場假說為基礎(chǔ)的傳統(tǒng)金融理論難以解釋的,進(jìn)而涌現(xiàn)出行為金融學(xué)、分形市場假說等新的理論,金融市場不再是有效市場理論下的理想狀態(tài),眾多研究表明金融市場具有可預(yù)測性。金融市場作為一個(gè)高度復(fù)雜的系統(tǒng),股票市場是其中的重要組成部分,也是經(jīng)濟(jì)運(yùn)行狀況的“晴雨表”。股票市場作為實(shí)體企業(yè)融資的渠道,也是眾多投資者自身資源配置的主要渠道之一。股票指數(shù)時(shí)間序列是股票市場復(fù)雜內(nèi)在特征的綜合外在表現(xiàn),為投資者制定投資策略提供了重要參考,因此對(duì)股指序列的預(yù)測不僅有利于更好的監(jiān)測和管理與股票市場高度關(guān)聯(lián)的金融市場,還能為投資者的投資決策提供有效指導(dǎo)。股指時(shí)間序列本身大多數(shù)是非線性的或者說是一個(gè)包含有非線性關(guān)系的復(fù)雜系統(tǒng),并且股票市場的演化日益復(fù)雜,傳統(tǒng)的股指預(yù)測模型也逐漸演變成只具備理論意義而難以有效地應(yīng)用于實(shí)際市場分析的工具。在快速發(fā)展的人工智能時(shí)代,基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò),為研究存在多方博弈的極度復(fù)雜的股票市場提供了思路。因此,本文構(gòu)建了經(jīng)驗(yàn)?zāi)B(tài)分析（EMD）、主成分分析（PCA）、深度神經(jīng)網(wǎng)絡(luò)（DNN）組合的深度神經(jīng)網(wǎng)絡(luò)組合模型（... 

【文章來源】：重慶工商大學(xué)重慶市

【文章頁數(shù)】：73 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

滬深300收盤價(jià)訓(xùn)練集然后通過計(jì)算不同p,q取值對(duì)應(yīng)的A

重慶工商大學(xué)碩士學(xué)位論文第四章股指預(yù)測模型實(shí)證研究39（HR）、MAE、MAPE、RMSE分別為51.54%、94.02、2.47、132.62，如下表4.4：表4.4ARIMA預(yù)測收盤價(jià)的性能指標(biāo)MAEMAPERMSEHR（%）ARIMA94．022.47132.6251.544.2.2BPNN模型預(yù)測結(jié)果BP神經(jīng)網(wǎng)絡(luò)中當(dāng)各神經(jīng)元層輸入神經(jīng)元數(shù)目合適的情況下，在理論上是可以逼近任意復(fù)雜的函數(shù)。本文中輸入數(shù)據(jù)數(shù)目以Fibonacci數(shù)列為參考，分別為2、3、5、8、13、21、34、55、89、144個(gè)輸入數(shù)據(jù)，從而縮小輸入數(shù)據(jù)數(shù)目搜索范圍；隱含層神經(jīng)元數(shù)目采用逐漸增加的方式從1至12選擇使網(wǎng)絡(luò)性能最優(yōu)的隱含層神經(jīng)元數(shù)目；激活函數(shù)選擇Sigmoid函數(shù)。將收盤價(jià)直接作為訓(xùn)練集，將其輸入神經(jīng)網(wǎng)絡(luò)，得到收盤價(jià)預(yù)測值并輸出，結(jié)果如表4.5。表4.5不同輸入層、隱含層神經(jīng)元數(shù)目預(yù)測命中率（HR）結(jié)果（%）隱層輸入數(shù)據(jù)數(shù)目23581321345589144150.1651.9750.4153.2651.0552.6353.4953.6150.6353.33247.8749.4652.8749.8355.5951.3249.7753.0551.2552.38349.8449.3451.2350.8650.3553.0750.7052.5851.8854.29450.1654.6152.0551.2049.6553.7551.1652.0653.7550.48550.8250.3353.2853.6145.4551.7553.0255.1554.3851.43650.4951.6450.8252.5852.4552.1953.9553.6150.6355.24748.8549.0154.5150.6256.7855.7052.5653.0953.7556.19849.1850.0055.3351.8750.8553.9553.0352.0652.5057.14951.4850.6654.9249.1453.8155.2652.0954.6453.1852.381049.8450.6654.1050.8652.9753.9552.5658.4258.1350.481151.1551.3256.1552.2355.0855.2650.2351.0354.3853.331252.1351.6453.2853.2652.1253.9554.8855.6753.1355.75圖4.5不同輸入數(shù)據(jù)數(shù)目BP神經(jīng)網(wǎng)絡(luò)預(yù)測命中率

重慶工商大學(xué)碩士學(xué)位論文第四章股指預(yù)測模型實(shí)證研究46圖4.10EMD取不同IMF層BP神經(jīng)網(wǎng)絡(luò)預(yù)測HS300收盤價(jià)平均命中率從上圖4.10中可以看到當(dāng)EMD窗口長度為300，IMF層數(shù)為3時(shí)，BP神經(jīng)網(wǎng)絡(luò)平均命中率最高為71.05%，此時(shí)模型預(yù)測有最高命中率76.32%，并且對(duì)應(yīng)的性能指標(biāo)如下：表4.14EMD-PCA-BPNN預(yù)測HS300收盤價(jià)的性能指標(biāo)MAEMAPERMSEHR（%）EMD-PCA-BPNN100.272.57120.5476.324.3.4EMD-PCA-DNN預(yù)測該模型是EMD方法、PCA方法對(duì)股指原始數(shù)據(jù)進(jìn)行處理后，再用深度神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行預(yù)測的深度神經(jīng)網(wǎng)絡(luò)組合模型。模型（公式3.9）中EMD的窗口寬度以及IMF的層數(shù)選擇以EMD-PCA-BPNN模型為參考。在對(duì)EMD-PCA-BPNN模型對(duì)股指預(yù)測效果的研究中發(fā)現(xiàn)，當(dāng)選擇EMD窗口寬度為300，IMF序列層數(shù)為3層時(shí)，EMD與PCA的組合能夠很好的提取股指數(shù)據(jù)中的特征。另外深度神經(jīng)網(wǎng)絡(luò)的隱含層層數(shù)采用逐層增加的方式，從1層增至5層，隱含層神經(jīng)元數(shù)從2到15逐個(gè)增加，得到的模型預(yù)測命中率（HR）及對(duì)應(yīng)的模型性能指標(biāo)MAE、MAPE、RMSE的值如下表4.15—表4.17。圖4.11是深度神經(jīng)網(wǎng)絡(luò)含有不同隱含層時(shí)，組合模型對(duì)滬深300股指預(yù)測的命中率對(duì)應(yīng)的折線圖，從中可以看出深度神經(jīng)網(wǎng)絡(luò)含有1個(gè)隱含層，且隱含層神經(jīng)元數(shù)目為11時(shí)，組合模型最高命中率為77.95%，從而確定第1隱含層神經(jīng)元數(shù)目為11。采用逐層增加的方式，在第1個(gè)隱含層確定的條件下增加第2個(gè)隱含層，該層神經(jīng)元數(shù)目為10時(shí)，模型有最高命中率為78.05%，因此第2個(gè)隱含層得以確定。按照相同的方法分別確定神經(jīng)網(wǎng)絡(luò)第3、4、5個(gè)隱含層神經(jīng)元數(shù)目分別為9、10、11時(shí)模型的最高命中率分別為75%、75.61%、72.73%。對(duì)比發(fā)

【參考文獻(xiàn)】：
期刊論文
[1]基于LSTM等深度學(xué)習(xí)方法的股指預(yù)測研究[J]. 李佳,黃之豪,陳冬蘭.  軟件導(dǎo)刊. 2019(09)
[2]中國股票市場收益率的可預(yù)測性研究[J]. 蔣志強(qiáng),田婧雯,周煒星.  管理科學(xué)學(xué)報(bào). 2019(04)
[3]基于MCMC的SV模型分鐘高頻股指波動(dòng)率研究[J]. 張艷慧,鄭宇軒,曹顯兵.  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2019(06)
[4]FEPA-金融時(shí)間序列自適應(yīng)組合預(yù)測模型[J]. 潘和平,張承釗.  中國管理科學(xué). 2018(06)
[5]融資融券交易行為及其收益可預(yù)測性研究[J]. 俞紅海,陳百助,蔣振凱,錢儀綽.  管理科學(xué)學(xué)報(bào). 2018(01)
[6]基于支持向量機(jī)的中國股指期貨回歸預(yù)測研究[J]. 賽英,張鳳廷,張濤.  中國管理科學(xué). 2013(03)
[7]基于ARIMA模型的滬深300股指期貨價(jià)格預(yù)測研究[J]. 李戰(zhàn)江,張昊,孫鵬哲,童國超,張志浩.  魯東大學(xué)學(xué)報(bào)(自然科學(xué)版). 2013(01)
[8]灰色神經(jīng)網(wǎng)絡(luò)在股價(jià)預(yù)測中的應(yīng)用研究[J]. 張秋明,朱紅莉.  計(jì)算機(jī)工程與應(yīng)用. 2013(12)
[9]中國股票市場可預(yù)測性的實(shí)證研究[J]. 姜富偉,凃俊,David E.Rapach,Jack K.Strauss,周國富.  金融研究. 2011(09)
[10]基于GARCH模型的上證綜指日收益率波動(dòng)特征研究[J]. 江河.  西安財(cái)經(jīng)學(xué)院學(xué)報(bào). 2011(05)

博士論文
[1]基于GARCH類模型的股指期貨日內(nèi)波動(dòng)率研究與預(yù)測[D]. 王俊博.哈爾濱工業(yè)大學(xué) 2018

碩士論文
[1]基于奇異譜分析的ARMA-SVR模型在股指預(yù)測中的應(yīng)用[D]. 袁金銘.山東大學(xué) 2019
[2]基于PCA-SVM-GARCH模型的股價(jià)預(yù)測[D]. 景秋玉.首都經(jīng)濟(jì)貿(mào)易大學(xué) 2018
[3]基于SVM的上證50指數(shù)漲跌預(yù)測研究[D]. 左飛.安徽大學(xué) 2018
[4]基于因子分析的BP神經(jīng)網(wǎng)絡(luò)股指預(yù)測[D]. 石志成.云南大學(xué) 2017
[5]基于噪音及投資者情緒的股價(jià)可預(yù)測性研究[D]. 張然.北京交通大學(xué) 2015
[6]基于ARIMA模型的滬深300指數(shù)預(yù)測及期現(xiàn)套利的研究[D]. 盧懷營.蘇州大學(xué) 2013
[7]基于隨機(jī)波動(dòng)模型的中國股市波動(dòng)性實(shí)證研究[D]. 徐永坤.復(fù)旦大學(xué) 2008



本文編號(hào)：3002813