基于LSTM-CNN的中国股票趋势预测模型研究

论文摘要

金融市场是现代金融体系的重要组成部分,金融市场的运行不仅直接影响着经济建设的进程,而且在非常大的程度上关系着社会发展的状况。分析和预测金融市场行为,能够有效的帮助投资者规避投资风险,提高收益。过去一般假设金融时间序列是线性产生的,常使用ARIMA等模型预测股票价格。随着机器学习的发展,研究人员越来越多的将SVM、RF等经典模型应用在股票价格或趋势预测问题上。近年来,深度学习在计算机视觉、自然语言处理方面大放异彩,与此同时它也开始逐步应用在金融时间序列的研究中。本文使用市场规模大、具有代表性的上证50指数成分股的历史数据,分析了快速发展的新兴股票市场——中国股票市场的市场结构,提出“股票的历史价格不仅影响其自身的价格趋势,还影响其他相关股票的未来价格走势”的假设。卷积神经网络中卷积层能够以其独特的局部连接和权值共享的方式高效的从输入中提取有效特征。长短期记忆网络以其独特的门结构捕捉时序数据中的依赖关系,记住长期信息。本文综合这两种网络的优势提出了改进的LSTM-CNN模型,通过与RF、CNN、LSTM模型的对比实验,验证了该模型对于股票趋势预测的预测能力,最后使用T+1交易策略在测试区间进行了仿真交易。我们将提出的LSTM-CNN模型与近年来提出的小波卷积网络W-CNN、LSTM集成模型以及多滤波神经网络MFNN分别在他们论文中使用的数据集上进行对比,LSTM-CNN分别将预测的准确率提升了 6.0%、3.4%、0.8%（可以认为与MFNN持平）。总体上与已有的模型相比,我们的模型表现出较好的性能。

论文目录

摘要

Abstract

第一章绪论

1.1 研究背景及意义

1.2 金融时间序列研究现状

1.2.1 统计模型

1.2.2 机器学习

1.2.3 深度学习

1.3 研究方向及组织结构

1.3.1 论文主要贡献和创新点

1.3.2 论文组织安排

第二章基本理论

2.1 相关性分析

2.2 随机森林RF

2.3 卷积神经网络CNN

2.3.1 CNN网络结构

2.3.2 CNN分类器

2.3.3 优化算法

2.4 长短期记忆网络LSTM

2.4.1 LSTM网络结构

2.4.2 反向传播算法

第三章数据和方法

3.1 实验数据及环境设置

3.1.1 实验环境及数据源

3.1.2 数据预处理

3.1.3 构建时间序列

3.2 方法模型

3.2.1 CNN

3.2.2 LSTM

3.2.3 LSTM-CNN

3.3 股票T+1交易策略

第四章实验结果与分析

4.1 基于股票相关性的市场结构分析

4.2 股票趋势预测模型对比

4.2.1 评价指标

4.2.2 准确率

4.2.3 F1值

4.2.4 小结

4.3 与其他论文中模型进行对比

4.3.1 与小波卷积神经网络（W-CNN）模型对比

4.3.2 与长短期记忆神经网络集成学习模型对比

4.3.3 与多滤波神经网络（MFNN）对比

4.3.4 小结

4.4 盈利能力测试

4.5 本章小结

第五章总结与展望

5.1 主要工作的总结

5.2 后续工作的展望

参考文献

攻读硕士学位期间发表的论文

致谢

文章来源

类型: 硕士论文

作者: 刘衡

导师: 张德富

关键词: 股票预测,深度学习

来源: 厦门大学

年度: 2019

分类: 基础科学,经济与管理科学

专业: 数学,宏观经济管理与可持续发展,金融,证券,投资

单位: 厦门大学

分类号: F832.51;F224

DOI: 10.27424/d.cnki.gxmdu.2019.000060

总页数: 69

文件大小: 4185K

下载量: 11

基于LSTM-CNN的中国股票趋势预测模型研究

论文摘要

论文目录

文章来源

相关论文文献

猜你喜欢