基于两阶段特征提取的BiLSTM-GRU股价预测研究

发布时间：2025-06-03 23:05

　　股票市场不仅受众多因素的影响,且影响因素间也存在复杂的非线性动态交互关系,使得时间序列数据成为一个具有序列相关性、非平稳性、非线性等综合特征的复杂系统。因此,构建科学有效的方法实现股市的精准预测成为一项极具挑战性且具有重要学术和应用价值的工作。传统的计量经济学方法和浅层机器学习方法,存在对原始数据处理能力不足、过拟合、收敛慢等重要缺陷,股价序列的特征提取及预测建模成为了金融数据建模领域的一个关键难题。本文以沪深300指数和中证500指数作为研究标的,提出了一种基于两阶段特征提取的Bi LSTM-GRU股价预测集成框架,将特征提取与深度学习相结合,用于股市日收盘价预测。考虑到股票市场影响因素众多,引入多个外生变量作为模型的输入变量。在对数据预处理后,第一阶段特征提取采用主成分分析(PCA)降低数据输入的维度,可以避免数据之间的冗余,提高算法的运行效率。考虑到股票价格变化的复杂性,单靠主成分分析处理数据远远不够,因此第二阶段特征提取采用层次聚类对降维后的数据进行分类。层次聚类挖掘并重新排列训练数据中外生变量的主要特征,将强相关数据划分为一类,形成不同的训练子集,避免训练数据特征分散导致模型缺...

【文章页数】：59 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景
    1.2 研究意义
        1.2.1 理论意义
        1.2.2 现实意义
    1.3 文献综述
        1.3.1 股票价格预测方法
        1.3.2 股票价格影响因素
        1.3.3 文献述评
    1.4 研究内容、方法和技术路线
        1.4.1 研究内容
        1.4.2 研究方法
        1.4.3 技术路线
    1.5 创新点
第二章 相关原理和研究设计
    2.1 相关原理
        2.1.1 主成分分析
        2.1.2 层次聚类
        2.1.3 BiLSTM双向长短期记忆神经网络
        2.1.4 GRU门限循环单元
    2.2 研究设计
    2.3 本章小结
第三章 样本选取和数据处理
    3.0 样本选取
    3.1 输入数据
    3.2 数据预处理
        3.2.1 缺失值填充
        3.2.2 归一化
        3.2.3 PCA降维
        3.2.4 层次聚类
    3.3 本章小结
第四章 基于BiLSTM-GRU的股价预测
    4.1 BiLSTM预测
        4.1.1 建立模型
        4.1.2 评价指标
        4.1.3 结果分析
    4.2 GRU集成
        4.2.1 建立模型
        4.2.2 评价指标
        4.2.3 结果分析
    4.3 对比实验
    4.4 本章小结
第五章 总结与展望
    5.1 结论
    5.2 展望
参考文献
致谢
作者简介



本文编号：4048949