基于多尺度分解与深度学习的股指预测模型研究.pdfVIP

基于多尺度分解与深度学习的股指预测模型研究 摘 要 随着国内金融市场的发展，股票市场在我国经济体系中占据着越来越重要的地位， 越来越多的人开始参与股票投资。而股票价格的剧烈波动将会给投资者们带来经济损失， 在极端情况下甚至会破坏原有市场平衡，影响社会经济的发展。因此对股票价格走势的 预测研究具有非常大的应用价值。股票价格序列具有非线性、高噪声、非平稳的特征， 传统的统计学模型难以充分捕捉到数据中的非线性关系，使用前还需要对数据进行假设 性检验。与传统方法相比，深度学习具有强大的非线性特征提取能力，能够从复杂的股 票数据中挖掘到更重要、更深层次的信息。 本文以深度学习理论为基础，探索了深度学习在股指预测上的可行性。主要研究工 作如下： (1)构建了基于主成分分析 (Principal component analysis ，PCA) 的长短期记忆 (Long short – term memory ，LSTM) 神经网络的混合股指预测模型。该模型以LSTM 为 基础，添加了 PCA 技术对输入数据进行降维处理。LSTM 内部的记忆存储单元以及循 环结构非常适合用来分析时间序列，可以学习到股指数据内的动态变化信息。PCA 用来 对本实验中的高维输入进行特征降维，去除噪声以及冗余信息，提高模型的特征提取能 力。 (2) 引入互补集成经验模态分解 (Complementary ensemble empirical mode decomposition ，CEEMD) 技术对股指序列进行预处理分解，构建了基于CEEMD 的PCA- LSTM 股指预测模型。由于上证指数日收盘价序列是非线性、高噪、非平稳的，采用 CEEMD 技术自适应地将上证指数进行分解，可以得到具有不同时间尺度波动特征的子 序列；再采用游程判定法对其重构成高频分量、低频分量与残余项 Res ；最后再对这 3 条子序列分别进行预测，从而降低模型预测的难度。 (3) 在 CEEMD-PCA-LSTM 模型的基础上融入了基于时间 (Temporal) 和空间 (Spatial) 的注意力机制 (Attention) ，提出了改进模型。使得模型在时间与空间两个维度 上，按照输入序列对最终结果的影响程度，赋予不同的注意力权重。从而使得网络关注 更加重要的值，增加重要信息对预测结果的影响，进一步提升了LSTM 模型学习数据间 长期依赖关系的能力。 本文设置了4 组对比模型，包括了LSTM 预测模型、PCA-LSTM 预测模型、CEEMD- LSTM 预测模型和CEEMD-PCA-LSTM 预测模型。将本文预测模型与对比模型进行对比 分析，评判本文所构建模型的预测性能。实验结果表明，本文设计的模型与对比模型相 比，均获得了更高的预测精度，具有更强的预测性能。与其中表现最好的CEEMD-PCA- I 摘要 LSTM 模型相比，MSE 误差减少了 66.16% ，MAE 减少了 46.52% ，R-Squared 提升了 4.75% 。这充分体现了本文模型对于上证指数预测的优良性能，证明了本文提出的股指 预测思路是可行的，即基于分解-降维-注意力机制的深度学习建模方法。通过本文模型， 可以实现对下一个交易日的收盘股指的预测，对于指导股票交易也有一定的意义。 关键词：股指预测；主成分分析；互补集成经验模态分解；注意力机制；长短期记忆 II 基于多尺度分解与深度学习的股指预测模型研究 目 录 1 绪论 1 1.1 研究背景与意义 1 1.1.1 研究背景 1 1.1.2 研究意义 2 1.2 国内外研究现状 3 1.2.1 经验模态分解 3 1.2.2 传统预