如今,基于數(shù)理統(tǒng)計(jì)模型的量化投資技術(shù)得到了充分的發(fā)展和應(yīng)用,投資者基于此類方法可獲得較大回報(bào)。機(jī)器學(xué)習(xí)、深度學(xué)習(xí)算法隨著AI時(shí)代的到來(lái)被應(yīng)用到各個(gè)領(lǐng)域。這些前沿算法可以實(shí)時(shí)處理海量的數(shù)據(jù),模型也能取得不錯(cuò)的擬合效果,同時(shí)泛化能力也得到大幅提升。在本論文中,嘗試將這些前沿算法應(yīng)用到股票市場(chǎng)中,分別采用機(jī)器學(xué)習(xí)中的XGBoost方法與深度學(xué)習(xí)中的LSTM方法對(duì)股票調(diào)整收盤價(jià)預(yù)測(cè),并對(duì)擬合效果進(jìn)行對(duì)比。首先,本文介紹了機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的概念、應(yīng)用、模型的優(yōu)化方法,接下來(lái)介紹了數(shù)據(jù)的來(lái)源與特征工程的概念。實(shí)證目標(biāo)是利用前N天的數(shù)據(jù)(即預(yù)測(cè)范圍大于等于1)對(duì)Vanguard Total Stock Market ETF(VTI)每天的調(diào)整收盤價(jià)進(jìn)行預(yù)測(cè)。文章中用到的的數(shù)據(jù)是基于VTI的歷史價(jià)格:自2015.11.25至2018.11.23。其次,基于金融時(shí)間序列預(yù)測(cè)具有不確定性、復(fù)雜性與時(shí)間記憶性的特點(diǎn),本文提出了使用機(jī)器學(xué)習(xí)算法的構(gòu)建的XGBoost模型與使用深度學(xué)習(xí)算法的構(gòu)建的長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型,在股票數(shù)據(jù)中提取特征作為模型的輸入,同時(shí)將上面兩種模型與lastvalue、移動(dòng)平均法、線...

【文章頁(yè)數(shù)】：86 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題研究的背景與意義
        1.1.1 課題背景
        1.1.2 研究意義
    1.2 本文的研究?jī)?nèi)容及主要貢獻(xiàn)
        1.2.1 研究?jī)?nèi)容
        1.2.2 創(chuàng)新性
    1.3 股票市場(chǎng)預(yù)測(cè)研究現(xiàn)狀
    1.4 本文的結(jié)構(gòu)安排
第2章 算法理論
    2.1 機(jī)器學(xué)習(xí)概念及相關(guān)理論模型
        2.1.1 機(jī)器學(xué)習(xí)概念
        2.1.2 機(jī)器學(xué)習(xí)模型
    2.2 深度學(xué)習(xí)概念及其模型
        2.2.1 深度學(xué)習(xí)概念
        2.2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)
        2.2.3 LSTM
第3章 股票價(jià)格趨勢(shì)預(yù)測(cè)模型構(gòu)建
    3.1 數(shù)據(jù)介紹(數(shù)據(jù)的來(lái)源及描述)
    3.2 特征工程
        3.2.1 特征工程簡(jiǎn)介
        3.2.2 特征工程的重要性
        3.2.3 特征工程具體內(nèi)容
    3.3 模型調(diào)優(yōu)
        3.3.1 留出法(hold-out)
        3.3.2 交叉驗(yàn)證(k-fold)
    3.4 模型評(píng)價(jià)方法
        3.4.1 回歸評(píng)估指標(biāo)
        3.4.2 分類評(píng)估指標(biāo)
        3.4.3 ROC曲線和AUC
    3.5 預(yù)測(cè)模型構(gòu)建過(guò)程
        3.5.1 循環(huán)神經(jīng)網(wǎng)絡(luò)與LSTM參數(shù)設(shè)定
第4章 實(shí)證分析
    4.1 股價(jià)預(yù)測(cè)模型的實(shí)例分析
        4.1.1 Last Value
        4.1.2 移動(dòng)平均線(simple moving average)
        4.1.3 線性回歸
        4.1.4 XGBoost
    4.2 深度學(xué)習(xí)的股價(jià)預(yù)測(cè)模型的實(shí)例分析
    4.3 實(shí)證分析對(duì)比
第5章 結(jié)論與展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間發(fā)表及錄用學(xué)術(shù)論文
學(xué)位論文評(píng)閱及答辯情況表



本文編號(hào)：3766677