金融市場作為國家經(jīng)濟體系的一部分,其對于民生經(jīng)濟的重要性不言而喻。金融市場的變化常常預(yù)示著國家經(jīng)濟發(fā)展狀態(tài)的走向,對金融領(lǐng)域的控制能力也常常被視為國家重要的核心競爭能力。從國家層面來看,對股票價格等金融時序的精準預(yù)測有利于相關(guān)戰(zhàn)略政策的實施與部屬。對于企業(yè)與個人來講,股價的準確預(yù)測可以從中獲利并做出長期規(guī)劃。所以對于股價的預(yù)測在業(yè)界一直保持著相當?shù)臒岫�。然而金融時序的非線性不平穩(wěn)特征,以及其中高噪聲的特點都使得針對其的預(yù)測難以有效的開展。所以應(yīng)對其高波動的特征,總結(jié)以往模型的不足,探索有效的預(yù)測模型是具有一定的研究價值的�；诖�,本文提出了將傳統(tǒng)時間序列預(yù)測與深度學(xué)習(xí)結(jié)合的組合模型,并將其與機器學(xué)習(xí)算法比較。實驗對象為中國工商銀行股價數(shù)據(jù),根據(jù)其的變化特征,將數(shù)據(jù)波動拆分為線性與非線性兩個部分,用傳統(tǒng)方式擬合股價變化中線性成分,其非線性的部分選擇使用帶注意力機制的Seq2Seq模型預(yù)測,并結(jié)合粒子群優(yōu)化算法,探索固定步長的最佳模型。建模的步驟為先利用ARIMA模型剔除數(shù)據(jù)的長期趨勢,減少股價的波動性,再將去趨勢項后的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入,期間用優(yōu)化算法調(diào)整神經(jīng)網(wǎng)絡(luò)的兩個待優(yōu)化參數(shù),多...

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2-1ARIMA模型流程圖

ARIMA的整體建模步驟可表示為圖2-1:2.2SVR算法及相關(guān)理論

圖2-2支持向量機的主要三種模型

支持向量機(SVM)的學(xué)習(xí)策略則是將距離最優(yōu)化,因此它的學(xué)習(xí)算法也是距離最優(yōu)化的計算,它主要分為三個類型:線性可分支持向量機、線性可支持向量機和非線性支持向量機,如下圖所示:線性問題比較容易理解,但是非線性問題在求解時往往比較復(fù)雜,因而可使用非線性變換法將非線性問題轉(zhuǎn)化為線性問題....

圖2-3目標函數(shù)不敏感帶以及松弛變量

輸入值x對應(yīng)的輸出值是標簽值y的估計值。統(tǒng)計學(xué)中用損失函數(shù)作為模型誤差的度量,其函數(shù)結(jié)構(gòu)的設(shè)計可以使其在一定范圍內(nèi)忽略模型產(chǎn)生的誤差,此可被忽略的誤差范圍被稱為不敏感帶。圖2-3展示了不敏感帶的作用機理。由其可以引出相應(yīng)的不敏感損失函數(shù),線性條件下其具體定義如下:

圖2-4SVR模型轉(zhuǎn)換過程

與線性回歸不同,非線性回歸是指在數(shù)據(jù)訓(xùn)練集中線性不可分的情況下,通過非線性變換將訓(xùn)練樣本映射到高維空間,并在高維空間通過核函數(shù)實現(xiàn)線性變換,具體過程如圖2-4所示:對于非線性問題,將線性回歸函數(shù)2.41的內(nèi)積函數(shù)替換成非線性核函數(shù)即可,其表示為:

本文編號：4004846