一种股票市场的深度学习复合预测模型

发布时间：2022-12-08 02:23

　　深度学习能够从大量原始数据中提取高级抽象特征而不依赖于先验知识,对于金融市场预测具有潜在的吸引力。基于"分解—重构—综合"的思想,提出了一种全新的深度学习预测方法论,并在此基础上构建了一种股票市场单步向前的深度学习复合预测模型——CEEMD-LSTM。在此模型中,序列平稳化分解模块的CEEMD能将时间序列中不同尺度的波动或趋势逐级分解出来,产生一系列不同特征尺度的本征模态函数（Intrinsic Mode Function,IMF）;采用深度学习中适合处理时间序列的长短期记忆网络（Long-Short Term Memory,LSTM）分别对每个IMF与趋势项提取高级、深度特征,并预测下一交易日收盘价的收益率;最后,综合各个IMF分量以及趋势项的预测值,得到最终的预测值。基于3类不同发达程度股票市场的股票指数的实证结果表明,此模型在预测的两个维度即预测误差与预测命中率上均要优于其他参照模型。 

【文章页数】：13 页

【文章目录】：
1 引言
2 文献综述
3 CEEMD-LSTM模型
    3.1 深度学习预测方法论
    3.2 EMD,EEMD与CEEMD
        3.2.1 EMD
        3.2.2 EEMD
        3.2.3 CEEMD
    3.3 LSTM
    3.4 深度学习复合预测模型的构建
4 实证设计以及数据选择
    4.1 金融市场的分类与选择
    4.2 实证数据
    4.3 预测流程
5 实证分析
    5.1 预测性能的评价指标
        (1)RMSE
        (2)MAE
        (3)NMSE
        (4)DS
    5.2 CEEMD分解结果及分析
    5.3 收益率预测结果及分析
    5.4 模型鲁棒性分析


【参考文献】：
期刊论文
[1]深度学习的金融实证应用:动态、贡献与展望[J]. 苏治,卢曼,李德轩.  金融研究. 2017(05)



本文编号：3713351