基于特征自编码和时间卷积网络的股价预测研究

论文摘要

今天,随着中国经济的快速发展,资本市场特别是证券市场愈发受到青睐,无论对机构还是个人投资者,股票价格预测一直是各方关注的重点,在资本市场领域有重要的意义。传统上,投资者基于统计技术分析或者简单机器学习方法进行股价预测,但由于股票市场是一个复杂的非线性动态系统,这些方法存在巨大的局限性。近年来,神经网络依靠其强大的非线性建模能力在计算机视觉、自然语言处理、自动驾驶等各方面取得非常大的进展,越来越多的人考虑利用神经网络进行股价预测,其中LSTM凭借其强大的序列建模能力获得更多的青睐,人们也不断通过理论创新、模型创新提升股价的预测精度。近期,时间卷积网络（TCN）理论凭借其更佳强大的序列建模能力在时序任务中取得较LSTM等循环神经网络更好的效果;同时,自编码网络作为一种无监督学习算法,对于进行特征工程、提取高级语义特征方面有独特的效果。论文正是基于以上两个方面对股价预测算法进行创新。本论文深刻回顾了股价预测的理论意义及必要性,并系统阐述了近年来国内外学者在股价预测模型创新中取得的进展,特别地,针对目前表现良好的神经网络模型进行深入探讨,以此为基础构建股价预测创新模型——基于特征自编码和时间卷积网络的股价预测模型,并利用股票历史量价数据实证分析模型的优越性。主要创新工作如下:（1）基于成熟的特征自编码算法以及LSTM股价预测算法理论,首次将以上两种算法相结合,构建“特征自编码网络+LSTM”组合股价预测算法,通过与单纯的LSTM算法进行比较实证分析:选取深证成指成分股平安银行历史量价数据,通过自编码网络进行高级语义特征抽取,将高低级语义特征进行结合,作为LSTM股价预测模型的输入,进行模型的训练及测试,将各项评价指标与单纯的LSTM股价预测模型进行比较。通过以上的模型构建和对比实证分析,得出以下结论:通过特征自编码网络的自训练学习得到的高级语义特征对于股价的预测效果有部分提升;通过t时刻之前timestep长度的日期特征预测t+m时刻的股票价格,中等大小的m（本例中大致为20）取得的预测效果更稳定,具有更好的效果。（2）基于已有的特征自编码算法以及最新的时间卷积网络（TCN）算法结构,首次将TCN算法应用到股价预测任务中去,并与（1）中证明对股价预测有性能提升的“特征自编码网络”相结合,构建“特征自编码网络+TCN”组合股价预测算法。将算法与（1）中的“特征自编码网络+LSTM”组合股价预测算法进行比较实证分析:同样选取相同的平安银行历史量价数据,进行与（1）中相同的操作。通过以上的模型构建和对比实证分析,得出以下结论:通过时间卷积网络的代替LSTM对于股价的预测效果有部分性能提升;通过t时刻之前timestep长度的日期特征预测t+m时刻的股票价格,中等大小的m（本例中大致为20）取得的预测效果更稳定,具有更好的效果;随着预测数据时间步的延长,TCN处理长串数据的能力得到释放,模型的性能得到部分提升,但存在提升上限。最终,我们通过以上的分析证明了“特征自编码网络斗+TCN”模型在股价预测任务中的优越性。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
•   1.1 研究背景及意义
•     1.1.1 研究背景
•     1.1.2 研究意义
•   1.2 文献综述
•     1.2.1 理论基础
•     1.2.2 股价预测理论
•   1.3 主要研究工作
•   1.4 创新点及不足
•     1.4.1 创新点
•     1.4.2 不足
• 第2章 理论基础
•   2.1 股价预测基础理论
•     2.1.1 股价技术指标
•     2.1.2 股价预测面临问题
•   2.2 神经网络理论
•     2.2.1 卷积神经网络
•     2.2.2 循环神经网络
•   2.3 本章小节
• 第3章 基于特征自编码的LSTM股价预测模型
•   3.1 导言
•   3.2 模型框架
•     3.2.1 自编码网络
•     3.2.2 长短时记忆网络
•   3.3 实证分析
•     3.3.1 样本选取及准备
•     3.3.2 实证结果分析
•   3.4 本章小结
• 第4章 基于特征自编码和时间卷积网络股价预测模型
•   4.1 导言
•   4.2 模型框架
•     4.2.1 自编码网络
•     4.2.2 时间卷积网络
•   4.3 实证分析
•     4.3.1 样本选取及准备
•     4.3.2 实证结果分析
•   4.4 本章小结
• 第5章 结论与展望
•   5.1 结论
•   5.2 展望
• 参考文献
• 致谢
• 学位论文评阅及答辩情况表

文章来源

类型: 硕士论文

作者: 满成剑

导师: 胡明尚

关键词: 时间卷积网络,自编码网络,股价预测

来源: 山东大学

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: 山东大学

分类号: F832.51;F224

总页数: 63

文件大小: 4145K

下载量: 286