基于EEMD_LSTM模型的沪深300指数预测研究

论文摘要

我国的股票市场作为实体企业筹集资金的重要渠道,各种类型的投资者配置自身资产的重要渠道,是我国金融市场的不可缺少的重要组成部分。对于股指的预测一直以来都具有重要的研究意义。然而股票的数据本质上是高度嘈杂的、动态的、非线性的、非参数的和混沌的,有悖于一些经典理论的基本假设,制约了经典理论的适用范围。因此,找到合理的股票市场数据的特征提取方法,构建一个能够描述股票市场复杂的非线性动力系统模型,对于进一步揭示股票市场内在的运行规律,更好的发挥股票市场应有的功能,更加及时揭露金融风险等方面,都有重大的现实以及理论价值。本文通过使用集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）算法将沪深300指数收盘价分解,成功得到了 10个本征模量函数和一个残差函数,并分析了本征模量函数的时频域特征。使用标准的R/S分析,发现沪深300对数收益率中存在的最长记忆周期与本征模量函数的最长周期大致相符合,验证了本征模量函数周期具有的实际意义。最后建立了基于EEMD-LSTM模型的沪深300指数预测模型,建立了多种的评价指标衡量模型性能,建立了参照模型对比模型的预测效果。最终结果表明EEMD-LSTM模型具有更好的预测性能。EEMD方法能够对神经网络模型的预测性能有较大提升。改变了数据集时间跨度及频率后,EEMD-LSTM模型与其他模型相比同样具有更优的预测结果。通过实验还发现,数据集的选择对预测结果的影响不如EEMD分解。

论文目录

• 致谢
• 摘要
• ABSTRACT
• 1 绪论
•   1.1 研究背景与研究意义
•     1.1.1 研究背景
•     1.1.2 研究意义
•   1.2 文献综述
•     1.2.1 经验模态分解研究现状
•     1.2.2 长短期记忆模型研究现状
•   1.3 研究的内容
•   1.4 研究的创新点
• 2 股指预测理论与方法
•   2.1 股指价格的可预测性
•   2.2 股指数据特征
•   2.3 股指时间序列预测方法
•     2.3.1 基本面分析法
•     2.3.2 技术分析法
• 3 EEMD-LSTM模型的构建
•   3.1 集合经验模态分解
•     3.1.1 集合经验模态分解原理
•     3.1.2 端点问题
•   3.2 长短期记忆神经网络
•     3.2.1 循环神经网络简介
•     3.2.2 长短期记忆神经网络原理
•   3.3 基于EEMD-LSTM模型的沪深300指数预测模型
•   3.4 本章小结
• 4 沪深300指数的特征提取与分析
•   4.1 应用集合经验模态分解算法对沪深300进行分解
•   4.2 集合经验模态分解结果分析
•   4.3 本征模量函数周期的实际意义
•   4.5 本章小结
• 5 基于EEMD-LSTM模型的沪深300指数预测实证研究
•   5.1 实验设计
•     5.1.1 实验目的
•     5.1.2 实验数据
•     5.1.3 参照模型
•     5.1.4 衡量指标
•   5.2 模型参数设置
•   5.3 实验结果分析
•     5.3.1 预测图像拟合对比
•     5.3.2 预测衡量指标对比
•   5.4 其他对照实验
•     5.4.1 不同预测时间及数据频率预测结果
•     5.4.2 不同数据集组合预测结果
•   5.5 本章小结
• 6 结论与展望
•   6.1 主要结论
•   6.2 展望
• 参考文献
• 附录A
• 索引
• 作者简历及攻读硕士/博士学位期间取得的研究成果
• 学位论文数据集

文章来源

类型: 硕士论文

作者: 李晨亮

导师: 邱奇

关键词: 股指预测,集合经验模态分解,长短期记忆模型

来源: 北京交通大学

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: 北京交通大学

分类号: F832.51;F224

DOI: 10.26944/d.cnki.gbfju.2019.001439

总页数: 67

文件大小: 5214K

下载量: 571