基于深度残差网络的股票价格趋势预测模型研究

发布时间：2024-04-20 21:22

　　在现代社会的经济体制和社会组织中,金融市场都占据着关键的地位。分析和预测金融市场行为,能够为投资者制定金融计划和决策提供参考,这样不仅提高了投资理性程度,降低投资风险,也维护了金融市场的稳定性。股价预测是股票投资中提高收益、降低风险的重要手段,也是金融时间序列研究中的重要方向。过去常以ARMA,GARCH等线性时间序列模型进行预测,近几年随着机器学习的发展,各类神经网络越来越多地应用到股价预测中,如SVM,DNN,CNN等。这些算法大都以原始价格序列、技术指标等数值特征作为模型输入。考虑到投资者常采用股价图形作为决策依据的情况,如头肩底、十字星等图形,同时图形特征可能包含了数值特征较难表达的、更丰富的信息。因此,本文提出一种全新的深度学习预测模型,以股价图形作为输入的深度残差网络(ResNet)。该模型充分利用了深度网络在图像上的特征提取能力,提高了模型的预测效果。此外,为充分利用涨跌双向预测信号,我们基于预测模型实现了股票T+0交易策略,并在真实股票数据池进行仿真交易。结果显示,T+0交易策略相比于BH(买入-持有)策略日收益率更高。在相同的数据集上,基于图形特征的深度残差网络模型的...

【文章页数】：88 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 研究现状与应用场景
        1.2.1 线性模型
        1.2.2 支持向量机SVM
        1.2.3 人工神经网络ANN
        1.2.4 递归神经网络RNN
        1.2.5 卷积神经网络CNN
    1.3 本文的研究方向及内容安排
        1.3.1 论文目标
        1.3.2 论文创新点
        1.3.3 论文内容安排
第二章 基本理论
    2.1 SVM
    2.2 DNN
        2.2.1 感知机
        2.2.2 多层感知机(MLP)
        2.2.3 反向传播算法(BP)
        2.2.4 梯度下降算法(GD)
    2.3 CNN
        2.3.1 CNN网络结构
        2.3.2 CNN进行分类
    2.4 ResNet
        2.4.1 残差学习
        2.4.2 快捷连接
        2.4.3 Bottleneck残差模块
        2.4.4 批标准化处理
    2.5 股票T+0策略
第三章 股票预测流程
    3.1 股票预测框架
    3.2 数据获取和清洗
    3.3 数据预处理
        3.3.1 数据清理
        3.3.2 归一化处理
    3.4 提取特征值
        3.4.1 线性特征
        3.4.2 量价指标
        3.4.3 技术指标特征
        3.4.4 图形特征
    3.5 提取涨跌标签
        3.5.1 不平衡分类问题
        3.5.2 设定类别阈值
        3.5.3 样本集划分
    3.6 预测模型
        3.6.1 SVM
        3.6.2 DNN
        3.6.3 CNN
        3.6.4 ResNet
    3.7 股票T+O交易策略
第四章 实验结果与分析
    4.1 实验数据及环境设置
    4.2 ResNet模型参数敏感性分析
        4.2.1 评价指标
        4.2.2 网络层数
        4.2.3 学习率
        4.2.4 批量大小
        4.2.5 小结
    4.3 与其他论文中模型进行对比
    4.4 与深度学习模型对比
        4.4.1 准确率(ACC)
        4.4.2 召回率(Recall)
        4.4.3 F1值
        4.4.4 特异性(TNR)
        4.4.5 小结
    4.5 交易策略进行回测
        4.5.1 策略评价指标
        4.5.2 实验结果
    4.6 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
致谢



本文编号：3959979