基于深度学习的多因子股票价格预测方法研究

发布时间：2020-08-21 06:54

【摘要】：随着社会经济的日益发展与进步,股票市场的日益丰富与繁荣,数据显示股票投资者的数量逐年增加,因而对于股票的相关分析需求日益突出。股票价格预测是股票分析领域的关键之一,然而目前诸多关于股票价格预测的模型与方法的效果不尽人意,并没有达到实际的应用需求。得益于近年人工智能的相关技术在金融领域受到广泛应用,也尤其推动了股票价格预测的发展。为了进一步提高股票价格预测的准确率,本文将量化选股中的多因子模型引入到股票价格预测方法中,并对一般的股票价格预测方法进行了改进。本文主要内容及贡献如下:1、针对一般多因子模型中的因子筛选方法效果不佳导致股票价格预测结果不理想的问题,本文提出了一个基于梯度提升决策树(Gradient Boosting Decision Tree,GBDT)与域显因式分解机(Field-aware Factorization Machine,FFM)融合模型的股票因子筛选方法。利用GBDT与FFM的模型特性完成股票因子筛选,提升了因子筛选的效果。方法主要包括两点:第一,利用GBDT模型的特征重构特性,重构原始特征。GBDT所构造出的新特征集合相比原始特征集合对股票价格有更强的描述能力。第二,利用FFM模型的特征交叉特性,使用GBDT所重构的新特征,进而筛选出合适的股票因子组合。最后选取真实的股票数据集进行实验,验证了该模型的可行性,并分别采用未筛选的因子组合、传统方法筛选的因子组合、单一 GBDT模型筛选的因子组合以及本文方法筛选的因子组合作为特征进行股票价格的预测,最终使用本文提出的方法筛选的因子组合的股票价格预测的准确率最高,证明本文的方法可以筛选出更佳的股票因子组合。2、针对一般长短期记忆网络(Long Short Term Memory,LSTM)模型无法接受多因子形式输入的问题,本文在一般LSTM基础上建立了多因子LSTM股票价格预测模型。通过改变一般LSTM的输入层、循环层和输出层的映射结构,并为循环层引入dropout,使得新的模型结构不仅可以适应多因子模型的输入形式,也没有导致模型训练时间的大幅增加。最后在真实的股票数据集上的实验结果表明,得益于多因子模型的引入,相比一般的LSTM模型,不仅提升了股票价格预测的准确率,同时在一定程度上也带来了更好的模型鲁棒性。3、利用以上叙述的研究成果,搭建了多因子股票预测系统,并将该系统在实际股票交易场景下进行了模拟运行,进而对本文所提出的模型与方法的实用性进行了验证。
【学位授予单位】：中国科学技术大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP181;F832.51
【图文】：

中国股票市场,投资者

多经济行为的走向，因此股票价格的预测也受到越来越多金融投资者与金融分析逡逑者的关注；另一方面，随着股票市场的投资者数量逐年增加，只有准确分析股票逡逑价格的未来变化趋势，才能快人一步把握市场动向，获得更多的投资收益。图１．１逡逑展示了近几年中股票市场新增投资者的数量？。可以看到新增投资者的数量逐年逡逑增加，因此需要建立某种方法可以帮助投资者对股票价格进行分析和预测。逡逑ＩＭ）逡逑１逡逑ＩＩ逡逑？邋ｉ３５邋ｎ逡逑ｉ邋４逡逑０逡逑２０１３－０５－ＯＳ逦２０１６０４－１３逦２０１７－０３－ＪＩ逦２０ＩＳ－０３－０９逦２０１９－０２－２２逡逑图１．１逦２０１５－２０１９年间中国股票市场新增投资者数量逡逑股票市场每天都在进行高频次的交易，因而不断产生大量的股票相关数据。逡逑但是事实上，庞大的数据对投资者而言是抽象的，如何利用有效的方法从海量的逡逑股票数据中提炼出有价值的信息成为了当下需要解决的问题。逡逑在传统的量化投资领域，对于目标股票的选择以及股票价格的预测大多是基逡逑于长期的股市经验得到的结果，经验式的股票分析方法其抗风险能力以及长期预逡逑测能力往往是较差的，也不便于传播与推广，此外其分析速度往往也是较慢的。逡逑随即出现的是基于统计与金融学的股票分析方法，也是对股票进行数学建模的开逡逑始

流程图,选股,多因子,流程

价格受多因子的影响，是因子及因子间交叉的线性组合。逡逑２．邋１．２．２逦多因子选股模型逡逑多因子选股模型的建立流程如图２．１所示。逡逑蠢选取逡逑因子vI选逡逑因子柝效性检验—？邋冗余因子剔除逡逑股票打分逡逑棋型评价逡逑图２．１邋多因子选股流程逡逑多因子选股模型的建立过程主要分为候选因子选取、因子筛选、股票打分和逡逑模型评价与更新四个部分［１４］。逡逑１．

基于深度学习的多因子股票价格预测方法研究

图２．２邋ＤＮＮ的一般＿逡逑

【相似文献】