论文部分内容阅读
随着我国金融市场的不断发展与金融制度的逐渐完善,民众参与金融市场投资的兴趣也愈发浓厚,同时也伴随着对于准确有效的金融信息服务的强烈需求。金融市场在国家整体经济体系中起着至关重要的作用,近些年来,许多研究者开始关注金融领域并尝试使用多种计算机相关技术来解决该领域中的金融数据预测问题。本课题针对股票趋势预测问题,在构建具备市场代表性的数据集的基础上,对深度学习模型方法、ARIMA模型方法及融合二者的混合模型方法展开研究,同时构建股票信息服务平台用于更直观清晰地呈现股票历史走势信息。本课题的主要研究内容包括以下几个方面:股票时序数据集构建及预处理。本课题通过获取中国A股市场中具有代表性的个股及指数的历史市场数据构建相应的数据集作为课题研究的基础。基于深度学习模型方法及ARIMA模型方法的股票时序预测问题研究。本课题针对股票时序预测问题,在传统深度学习方法和ARIMA方法的基础上提出了对应的LSTM模型及结合小波降噪的DB-ARIMA模型,并对其应用情况做进一步分析与优化,使之能够更好的发掘股票数据的变化规律,并通过设置相应实验检验模型方法在股票预测任务上的表现。基于混合模型方法进行股票趋势预测问题研究。本课题以股票时序数据集为基础,融合深度学习模型及DB-ARIMA模型提出一套混合模型方法,并运用该混合模型进行股票趋势预测。模型方法评测。本课题为验证各模型方法在股票预测任务上的表现,一方面通过将各个模型方法对样本的预测分析结果与样本真实的市场表现进行对比校验;另一方面通过对比Facebook所提出大规模时序预测模型Prophet及其余研究组织及个人发表的研究方法及结果,对模型方法的预测表现进行进一步的评测。本文对模型方法的研究及评测论证了深度学习模型、DB-ARIMA模型及混合模型在股票时序预测任务上的良好表现,各个模型方法股票预测结果与真实值的误差均处于较低水平。在与Prophet等模型方法的预测效果对比中,本文所提出的混合模型方法更贴近真实市场表现,取得了明显优于对比方法的预测效果。