【摘 要】
:
股指数据是一种典型的非平稳时间序列数据,现有的研究框架在实际预测中,模型的预测精度一直处在较低的水平。在评价模型时,由于选用股指数据不同以及评价标准单一,模型间的可比性较差。同时,在模型预测的层面也缺少对跨市场数据的应用研究。为了提高模型的精度和解决评价标准不一致问题,本文定义了一个新的基于深度学习的预测模型。除股市之外,像海洋、大气以及电力等领域的数据也大多呈现非平稳的特征,因此,本文提出的预测
论文部分内容阅读
股指数据是一种典型的非平稳时间序列数据,现有的研究框架在实际预测中,模型的预测精度一直处在较低的水平。在评价模型时,由于选用股指数据不同以及评价标准单一,模型间的可比性较差。同时,在模型预测的层面也缺少对跨市场数据的应用研究。为了提高模型的精度和解决评价标准不一致问题,本文定义了一个新的基于深度学习的预测模型。除股市之外,像海洋、大气以及电力等领域的数据也大多呈现非平稳的特征,因此,本文提出的预测模型对于解决此类问题具有一定的通用性。本文选定沪深300指数收盘价为研究对象,现有的研究方法大多是先对指数采用经验模态分解(EMD)方法处理,再结合时间序列预测算法,如时间卷积网络(TCN)、长短期记忆网络(LSTM)等模型进行预测,但此框架会受到单一预测模型的限制。为了解决这一问题,本文构建一个包括多个处理流程和多个基础模型的深度学习网络模型,以充分发挥不同模型的优点。此外,本文通过度量沪深300指数与全球其它主要股指之间的相关性,选定中国香港恒生指数的同日开盘价和美国标准普尔指数前日收盘价一同纳入预测模型。本文分别介绍了基于数值、方向和交易策略的共三大类评价方法,特别是基于交易策略的评价方法充分考虑了股市的保值和增值性的特点。通过牛市反转和熊市回调两种市场风格数据的实证分析,发现了引入跨市场的股指数据可以有效提高模型的预测效果。评价指标的具体表现大都与数据自身的特征有一定关系,通过多种评价指标体系,避免了单一评价标准带来的偏差问题。此外,本文提出的深度学习框架在表现上相较于基础模型也有了显著的提高。从方法论的角度看,本文通过对多个优秀模型进行重组,得到了实际效果要超过原始模型的框架模型,这也是现有深度学习相关研究的常见用法。
其他文献
在多数水利水电工程项目施工过程中,受到施工现场环境因素的限制,为有效提升水利水电工程项目施工质量和效率,往往会应用到隧洞钻孔爆破施工工艺,该工艺质量直接影响后期的水利工程项目施工建设。因此在文中着重针对水利水电工程项目隧洞钻孔爆破施工工艺的类型以及具体应用进行分析和研究,并在此基础上提出对应施工方案。
以水利水电工程施工中的隧洞钻孔爆破技术为论述方向。首先对隧洞钻孔爆破注意事项进行论述,隧洞钻孔爆破注意事项主要以制炸药的用量、隧洞的掘进施工、钻孔爆破循环施工、装置和卸载方法及炮孔的布置布局为主。其次,对相关注意事项分析后选取A水利水电工程隧洞钻孔爆破施工为例。通过对A水利水电工程隧洞钻孔爆破的具体实施,旨在为我国水利水电工程施工中隧洞钻孔爆破提供理论指导与帮助。
吴蔚光(1743-1803)是清乾隆时期重要诗人,其诗歌兼法唐宋,博采众长。于唐,学杜甫、白居易、李商隐;于宋,学苏轼、陆游。他是清诗史上不可抹去的一笔靓丽风景。本文从文学角度研究吴诗,集中探讨了以下几个问题。第一,研究吴蔚光的家世与生平。主要以《素修堂诗集》《素修堂遗文》、《小湖田乐府》、《苏州府志》、《常昭合志稿》等为参考,并结合其朋友诗集中的相关作品,对吴蔚光的家世及生平进行梳理。家世部分主
钻孔爆破技术是水利水电隧洞施工中最常见的一种施工方法,它的使用质量对整个水利水电工程的安全、质量和成本费用都有很大的影响。对隧洞钻孔爆破技术进行系统分析,既可以优化工艺,又可以提高其在隧洞施工中的应用,对于水利水电工程具有重要的作用。本文以隧洞钻孔爆破技术为例,对隧洞钻孔爆破技术的具体实施重点进行了探讨,并对钻孔爆破技术在水利水电隧洞施工中的应用情况进行说明。
水利水电工程作为我国基础性设施,与民生发展息息相关,高质量的水利水电工程,能更好地造福百姓惠及群众,加快推动国民经济发展的步伐。基于水利水电工程十分复杂的特点,在建造过程中很容易受多种外界因素的干扰,导致工程质量难以得到全面保障。而边坡开挖支护技术能够有效解决各种干扰问题,确保水利水电工程施工高效、有序进行。对水利水电工程施工中的边坡开挖支护技术进行研究,通过进一步优化与改进该项技术,可以保证水利
实体建模技术是CAD软件的“功能心脏”,相关基础理论与算法是CAD发展历史上最关键的成果之一,成功回答了为使计算机能够辅助产品设计与制造,需在计算机中存什么几何信息以及怎么存的问题。本文对实体建模的主要历史发展脉络做了简要介绍,同时对各发展阶段的关键问题以及研究现状进行了讨论,最后选取了3个方向对实体建模的未来做出展望,重点关注从Computer-Aided Design到Computer-Aut