基于神经网络的股票指数预测研究.pdf

目录 摘 要 I ABSTRACT II 第1 章 绪论 1 1.1 研究背景和研究意义 1 1.2 文献综述 2 1.2.1 金融时间序列的可预测性2 1.2.2 传统时间序列预测方法的研究现状3 1.2.3 神经网络预测方法的研究现状4 1.3 研究内容 6 1.4 结构安排 6 1.5 主要贡献和创新点 9 1.5.1 主要贡献9 1.5.2 创新点9 第2 章 传统股票指数时间序列预测方法 10 2.1 问题描述 10 2.2 自回归滑动平均求和模型 10 2.2.1 ARIMA 模型基本原理 10 2.2.2 ARIMA 模型的建立 11 2.2.3 ARIMA 模型的优缺点 14 2.3 广义自回归条件异方差模型 14 2.3.1 ARCH 模型基本原理 14 2.3.2 GARCH 模型基本原理 15 2.3.3 GARCH 模型的建立 16 2.3.4 GARCH 模型的优缺点 16 2.4 本章小结 16 第3 章 股票指数序列的预分析 17 3.1 股票指数的时间序列分析 17 3.1.1 实验数据 17 3.1.2 自相关性 18 3.1.3 BDS 检验 18 3.2 Hurst 指数与股指可预测性 19 3.3 非线性结构分析 21 3.3.1 滞后性21 3.3.2 离散导数23 3.4 本章小结 24 第4 章 神经网络预测方法25 4.1 人工神经网络模型 25 4.1.1 神经元26 4.1.2 神经网络27 4.1.3 神经网络训练过程27 4.1.4 梯度下降法的局限性29 4.2 深度递增递减线性神经网络模型 30 4.2.1 模型基本原理30 4.2.2 深度递增递减线性神经网络模型训练32 4.3 神经网络模型的正则化 33 4.4 本章小结 34 第5 章 股票指数预测的实证分析35 5.1 数据来源 35 5.2 传统时间序列预测模型及实证结果 35 5.2.1 ARIMA 模型及实证结果35 5.2.2 ARIMA-GARCH 模型及实证结果41 5.3 神经网络模型及实证结果 44 5.3.1 数据选取44 5.3.2 数据预处理45 5.3.3 神经网络模型搭建46 5.3.4 深度神经网络模型的预测分析47 5.3.5 正则化深度神经网络模型的预测分析49 5.3.6 正则化深度递增递减线性神经网络模型的预测分析51 5.4 衡量模型的性能标准 52 5.5 实证结果讨论 53 第6 章 总结与展望56 6.1 总结 56 6.2 展望 57 参考文献58 附录61 致谢67 在学期间发表论文情况68 摘要 基于神经网络的股票指数预测研究 摘 要 股票价格指数的有效预测有助于探索股票价格的内在规律，从而及时规避金融风险， 提高股票市场的稳健性。所以研究高效的股票价格指数预测模型具有理论与现实的重要 意义。人工神经网络具有强大的自学习、自适应特点，其预测效果比传统时间序列模型 更好。随着人工神经网络的快速发展，深度神经网络算法也不断应用于股票市场研究。 深度递增递减线性神经网络（DIDLP ）作为一种深度神经网络，它是由线性算子和非线 性算子构成的，可以有效提取股票时间序列数据中线性与非线性特征。目前的研究表明， DIDLP 模型能够有效改善股票时间序列预测中一阶时滞的问题。因此，论文引入DIDLP 神经网络研究股票指数预测问题。 本论文首先总结了金融时间序列预测的研究方法，介绍了传统时间序列模型和人工 神经网络模型，重点介绍了深度递增递减线性神经网络的基本原理。然后根据预分析的 结果优化DIDLP 神经网络，建立了加入正则项的DIDLP 神经网络模型。最后将模型应 用于股票价格指数序列的预测中。主要研究工作如下： (1)为了掌握股票价格指数的特点，使用BDS 、