论文部分内容阅读
股票是金融市场最重要的组成部分,是一个受多种因素影响的复杂非线性动态系统,成为学者们长时间持续研究的课题,精确稳定的股票预测模型对于投资者规避风险、制定可盈利的投资策略至关重要,所以股票预测模型具有重要的研究意义。当前快速发展的计算机技术和大数据时代的到来,使神经网络机器学习、深度学习技术得到了很大的发展,由于其具有较强的非线性逼近能力和自学能力,被广泛应用于时间序列预测中,促使股票研究进入了新的阶段。其中,循环神经网络在处理序列化数据方面有突出的表现,具有记忆功能,能够保存历史信息,并且能够随着新数据的输入不断更新,能够有效解决时间序列的长短期依赖问题。文章采用循环神经网络中的序列到序列(Seq2Seq)学习模型,对股票的收盘价格进行短期价格预测,并且与多种金融时间序列预测模型进行比较分析,探讨Seq2Seq模型在股票短期趋势预测方面的适用性与预测效果。文章选取的研究数据为中国股票市场中极具代表性的2只股票指数,即上证综合指数和深证综合指数,验证Seq2Seq模型股票预测方面的普适性,其次选取在2018年里6只国内市值较大、成交量排名靠前的活跃个股,验证其预测效果。选取的每日数据变量包括日期、开盘价、收盘价、最低价、最高价、成交量、成交额、换手率、涨跌、涨跌幅这几个方面,首先用主成分分析法(PCA)对输入样本数据进行降维处理,不仅可以避免数据的冗余,还可以达到降低数据维度、提高运算效率的效果,然后用Seq2Seq模型对中国股票价格进行短期趋势预测。通过理论研究及实证对比分析表明,Seq2Seq模型适用于股票时间序列预测方向,并且在对个股的效果预测中,与多种常用的股票时间序列预测模型进行误差比较,可以发现Seq2Seq模型的测量精确程度保持在高水平,具有优异的金融时间序列短期趋势预测能力。文章的创新点在于将深度学习技术应用于传统的金融时间序列预测中,为股票研究提供了新思路,并且在实证研究中得到了较好的预测效果,证明了深度学习在金融时间序列预测中的可行性,能够更好的指导机构和个人的投资行为。