基于小波降噪和深度学习的基金净值预测方法研究.pdf

摘要

摘要

近年来，随着全球金融市场的迅速发展和基金规模的不断扩大，基金收益率

的预测和优化成为了投资者和金融研究人员极为关注的重点。投资者对基金净值

的准确估计持有高度的期望，因为他们的买入和卖出决策往往受到短期市场波动

的影响;基金销售平台也力求提高净值估计的精确度，以增强用户体验和便利性;

此外，金融研究员通过分析公募基金净值的变动，试图洞察机构投资者的市场观

点变化。因此，精确预测基金净值成为了一个至关重要的研究课题。

基金市场的时间序列数据常展现出明显的非平稳性、非线性和高噪声特征，

这对数据处理和预测模型提出了更高的要求。为了有效应对这些挑战，本研究提

出了一种结合小波阈值降噪和深度学习的数据预处理和预测模型。通过细致比较

不同基金在小波函数在多个参数设置下的降噪性能，本研究选取了针对不同基金

的最佳小波函数和参数组合，以尽可能去除数据中的噪声，为神经网络模型提供

了更为纯净的输入数据。考虑到中国基金市场的非效率特性，小波降噪不仅能够

提升数据的有效性，还有助于神经网络更好地挖掘数据间潜在的关联性。其次本

文在基金净值预测中引入深度学习神经网络算法，搭建了SFM-Attention模型，

该模型是在状态频率记忆网络的基础上引入了注意力机制，以更好地捕捉数据中

的重要特征。本文所构建的模型不仅包括对注意力机制的引入，还包括了L2正

则化的使用。L2正则化是通过对模型的权重进行惩罚，防止其过度拟合训练数

据，提高模型的泛化能力。在神经网络模型的构建中，本文优化了数据输入，确

保小波降噪后的数据能够充分地传递给模型。在实证研究中，本文验证了

SFM-Attention模型相对于其他深度学习模型的优越性，这进一步证明了该模型

在处理基金市场数据时的非线性、不平稳和高噪声等特性方面的出色性能。

本文得到的结论如下：通过使用所构建的模型及对照模型，对包括指数型、

债券型、混合型和股票型在内的12支基金进行了预测。通过模型评价指标的对

比，发现结合小波降噪与深度学习的方法能够有效地利用两者的优点，显著提升

预测性能。在大数据时代的背景下，传统的线性预测模型暴露出了其局限性，而

非线性预测模型尤其是神经网络模型因其卓越的非线性数据处理和容错能力，成

为金融预测领域的重要工具。深度学习模型通过引入注意力机制，更好地捕捉了

II

摘要

非线性关系，从而在基金净值预测中表现出更强的拟合能力和泛化能力。这一发

现对于投资策略的制定和风险管理具有一定的启示作用，同时这种协同作用为金

融数据分析领域的发展提供了新的思路和方法。

关键词：基金净值；基金预测；金融科技;深度学习

III

Abstract

Abstract

Inrecentyears,withtherapiddevelopmentofglobalfinancialmarketsandthe

increasingsizeoffunds,thepredictionandoptimizationoffundyieldshavebecomea

focusofgreatinterestforinvestorsandfinancialresearchers.Investorsholdhigh

expectationsforaccurateestimationoffundNAVs,astheirbuyingandselling

decisionsareoftenaffectedbyshort-term