《股市预测中的深度学习算法选择与优化策略》13000字.doc

-PAGE

-PAGE

股市预测中的深度学习算法选择与优化策略

目录

TOC\o1-3\h\u23290第1章研究背景 3

9902第2章研究目的和意义 5

4918第3章股价预测模型 6

196233.1数据输入 7

65091、股票历史交易数据和股票技术指标 7

95362、财务指标 9

212503、投资者情绪数据 9

79243.2数据预处理 11

83603.3数据集划分 11

315843.4回归模型评价指标 11

231503.5SA-LSTM建模与训练设计 12

9193.5.1LSTM模型的搭建 12

146733.5.2模型设计 13

143203.5.3网络设计 13

6033.5.4激活函数 14

79883.5.5损失函数 16

101203.5.6优化算法 17

144323.5.7防止过拟合 17

299653.5.8自注意力机制层设计 18

274793.5.9预测模型 19

21949第4章实证检验与结果评估 20

307684.1实验设计 20

203744.1.1实验环境 20

87224.1.2实验数据 20

86444.1.3参数选择 21

311524.1.4对比实验 22

306104.2实证结果及分析 23

33034.2.1同支股票分析 24

434.2.2异支股票分析 26

11275参考文献 28

第1章研究背景

股票市场是国家经济的“晴雨表”和风向指示标。一方面，股票市场可以助其了解当前及未来的经济动向，把握国家宏观经济发展走势，同时还可以进行调节掌控，避免可能会发生的一些不必要的风险与损失（李明华，王志国，2022）；另一方面，对此及其衍生产品的投资，可能会获取一定的超额收益。基于此，国内外研究学者们对股票市场进行科学且较为准确的预测具有十分重要的理论意义和现实价值。

股票市场预测是试图确定交易所中上市公司股票或其他投资标的未来价值的行为。股票市场预测一直以来都是金融领域的研究热点。这些研究中具有广泛影响力的包括有效市场假设和行为金融学理论（张建平，刘文博，2023）。

1970年经济学中提出的有效市场假设认为股票价格是信息和理性预期二者相结合的函数。股票价格的变化可以反映新信息的发布以及市场中的变化。根据有效市场假设，通过提升股票市场中众多信息披露、解读以及相结合的能力，能够提高其预测精度REF_Ref102030579\r\h[1]REF_Ref102030579\r\h[1]。

2000年，行为金融学提出股票市场中的投资者不是完全理性的，投资者会受到知识、情绪、所获得的信息等因素的干扰，从而产生一些非理性的投资行为。在行为金融学的理论框架下，可以通过分析投资者情感情绪对股票市场进行预测（陈子凡，杨柳青，2021）REF_Ref102031158\r\h[2]。

金融学研究探索了股票市场在某些尺度上会受到其多源异质数据的影响。股票市场中的多源异质数据是指股票市场的数据包括来自股票市场、外汇市场等不同来源的数据，也包括有股票价格、成交量等结构化以及股票新闻、公告和社交网络等非结构化数据（周健雄，徐丽萍，2021）。有效市场假设认为股票市场中各种来源的信息都会对股票市场造成影响，行为金融学认为从投资者的行为以及心理活动等因素可以解释并预测金融市场中的价格变化趋势以及程度。

随着股票市场的蓬勃发展，其不断产生的大量多源异质数据，传统单纯依靠专家进行分析并预测的思路以及难以满足行业发展需求。为了满足对海量股票市场数据进行快速分析，辅助甚至完全代替投资者进行股票市场投资决策，涌现出一大批基于信息技术的股票市场预测研究（孙志强，赵敏娜，2022）。

第2章研究目的和意义

股票市场预测技术不仅对股票市场投资者、投资机构有巨大的经济价值，帮助投资者和投资机构盈利，规避投资风险。同时,从社会层面上来说，股票市场预测技术可以预防金融市场系统性风险，帮助合理配置社会资金，为经济和谐稳定发展做出贡献。

目前，现有的国内外研究者们对股价预测方法的探索主要在于根据时间索引对股票直接数值数据进行从前到后的学习训练，由此可以洞悉然后建立深度学习网络模型，从而提高预测的准确性（吴晓东，朱海燕，2023）。LSTM在有关时间序列预测中相比于ANN、CNN等传统模型能够表现出更为良好的性能，因此被广泛的应用于股价预测中。但过去所使用的LSTM模型用于股价预测也有一定的缺点。虽然LSTM模型能利用链状网络