在眾多新興技術高速發(fā)展的今天,金融時間序列數據的預測研究熱度不減。本文研究神經網絡在股指高頻數據預測中的應用,使用長短期記憶（LSTM）遞歸神經網絡和門控循環(huán)單元（GRU）遞歸神經網絡對時序數據進行預測。本文詳細探討了 LSTM和GRU的前向傳播過程和誤差反向傳播過程,對神經網絡在金融時間序列預測中的可行性進行分析。本文進行了三方面的研究:一是進行LSTM和GRU的對比研究;二是驗證LSTM和GRU在股指高頻數據單步預測中的普適性;三是對深度學習的多步預測進行拓展探究。選用上海證券綜合指數、上證50指數、中證小盤500指數和中證1000指數3年共731個交易日的的每五分鐘高頻數據,分別使用LSTM和GRU構建單變量單步模型、多元單步模型和多元多步模型,以均方根誤差（RMSE）、平均絕對誤差（MAE）和擬合優(yōu)度（R2_score）為評價指標,并對預測過程的梯度下降情況和預測結果進行可視化呈現。在LSTM單變量單步模型和GRU單變量單步模型中,4個數據集的RMSE和MAE均值小于0.03,R2_score均值大于0.99;在LSTM多元單步模型、GR... 

【文章頁數】：79 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 前言
    1.1 選題背景
    1.2 選題意義
        1.2.1 理論意義
        1.2.2 實踐意義
    1.3 國內外相關研究綜述
        1.3.1 早期預測方法
        1.3.2 基于神經網絡的股市數據預測
        1.3.3 多步預測研究現狀
    1.4 研究框架
    1.5 重難點及創(chuàng)新性
第2章 深度學習理論介紹及可行性分析
    2.1 神經網絡的誕生與發(fā)展
    2.2 循環(huán)神經網絡
        2.2.1 RNN的結構
        2.2.2 RNN的優(yōu)勢與不足
    2.3 LSTM遞歸神經網絡
        2.3.1 LSTM的結構
        2.3.2 LSTM的前向傳播
        2.3.3 LSTM的參數學習
    2.4 GRU遞歸神經網絡
        2.4.1 GRU的結構
        2.4.2 GRU的前向傳播
        2.4.3 GRU的參數學習
    2.5 神經網絡在金融時序預測的可行性
        2.5.1 神經網絡的廣泛應用
        2.5.2 金融數據的特性
第3章 基于LSTM和GRU的股指高頻數據預測
    3.1 數據選取及預處理
        3.1.1 數據集選取
        3.1.2 數據標準化
        3.1.3 滾動時間窗口
        3.1.4 數據批處理
    3.2 模型搭建及預測思路
        3.2.1 研究思路
        3.2.2 模型搭建
        3.2.3 評價指標
        3.2.4 參數選取
    3.3 實證探究
        3.3.1 LSTM與GRU在單變量單步模型中的對比研究
        3.3.2 LSTM與GRU在單步模型中的研究
        3.3.3 深度學習LSTM與GRU在多步預測中的拓展探究
第4章 結論與展望
    4.1 結論
    4.2 展望
致謝
參考文獻
附錄
學位論文評閱及答辯情況表


【參考文獻】：
期刊論文
[1]基于多尺度層級LSTM網絡的時間序列預測分析[J]. 張旭東,杜家浩,黃宇方,石東賢,繆永偉.  計算機科學. 2019(S2)
[2]基于神經網絡的股票預測模型[J]. 喬若羽.  運籌與管理. 2019(10)
[3]基于深度學習LSTM神經網絡的全球股票指數預測研究[J]. 楊青,王晨蔚.  統(tǒng)計研究. 2019(03)
[4]基于LSTM的股票價格預測建模與分析[J]. 彭燕,劉宇紅,張榮芬.  計算機工程與應用. 2019(11)
[5]基于深度學習支持向量機的上證指數預測[J]. 張晶華,甘宇健.  統(tǒng)計與決策. 2019(02)
[6]基于神經網絡集成學習股票預測模型的研究[J]. 謝琪,程耕國,徐旭.  計算機工程與應用. 2019(08)
[7]基于深度學習的上證綜指波動率預測效果比較研究[J]. 陳衛(wèi)華.  統(tǒng)計與信息論壇. 2018(05)
[8]深度學習的金融實證應用:動態(tài)、貢獻與展望[J]. 蘇治,盧曼,李德軒.  金融研究. 2017(05)
[9]基于支持向量機股票價格指數建模及預測[J]. 劉道文,樊明智.  統(tǒng)計與決策. 2013(02)
[10]時間序列模型和神經網絡模型在股票預測中的分析[J]. 劉海玥,白艷萍.  數學的實踐與認識. 2011(04)



本文編號：3700733