1. 研究目的与意义
随着国民经济的不断增长，人们的可支配收入也在不断的提高。同时，大众的投资需求也显著提高，越来越多的家庭选择把证券投资，特别是股票、基金投资，作为家庭或个人资产配置的重要一环。同时，金融市场的健康发展对国家发展战略、经济政策制定都有着举足轻重的地位。因此，研究出可靠的金融数据预测模型不仅可以满足个人、机构投资者的投资需要，也有助于政府及央行制定可靠的财政政策、货币政策等经济政策。
事实上，金融市场，无论是股票市场、基金市场还是期货市场、债券市场，甚至是网络金融市场（如P2P、比特币交易），都是一个复杂的非线性动态系统，利用传统的时间序列预测技术很难揭示其内在的规律，也无法充分利用现有大数据从而达到成功预测各种金融指标未来走势的目标。
随着计算机和人工智能的发展，神经网络理论发展日趋成熟并开始应用于金融领域，逐渐成为非线性动态金融数据预测模型强有力的理论基础。而深度学习模型于近些年兴起，它可以充分利用大数据，结合神经网络自主学习的特点，通过反复学习历史数据，不断改进优化预测模型，直至拟合出一个最优模型，其结果明显优于传统的机器学习模型。
2. 研究内容和预期目标
1. 掌握基于神经网络以及深度神经网络预测的基本原理，阐明深度学习神经网络相对于神经网络对于金融数据预测方面的进步性（优势）。
2. 阐明金融市场的特征，了解目前学者们提出的金融数据预测方法（模型）的思想理论和准确性评价。
3. 相对于其他神经网络预测模型，重点阐明循环神经网络（recurrent neural network,RNN）、长短期记忆神经网络（long short-term memory network, LSTM）模型的原理、预测应用以及优缺点。
3. 国内外研究现状
金融数据的预测方法在国际上一直受广泛关注。2003年和2011年的诺贝尔经济学奖就是颁发给了两位成功将自回归条件差异及向量自回归预测模型应用于金融时间序列预测的经济学家。
传统的金融时间序列预测模型大多是以目标变量序列为研究对象。包括，指数平滑法，ARIMA模型、ARCH族模型，小波去噪方法等等。1970年，Box和Jenkins 共同出版《时间序列分析：预测与控制》，金融时间序列模型预测思想开始流行，其中，提出了以 ARIMA 为代表的线性方法和以 ARCH 为主的非线性方法，这些模型往往无法考虑金融数据的高度非线性，难以得到精确有效的预测结果。而近些年，相关学者多是在提出的基础模型上加以改进，或者多种预测模型、方法混合使用，以期提高金融数据预测的准确性。比如，凡婷等人验证了基于小波分析法的ARMA-GARCH模型对于上证日综合指数收盘价的预测效果更好。
随着深度学习的发展，循环神经网络模型在金融市场数据的动态预测问题上，逐渐表现出更好地学习能力。 1997年 ，Hochreiter 和 Schmidhuber提出 LSTM（Long-short Term Memory）神经网络模型。该模型在循环神经网络的基础上，通过过滤不重要的前序信息，强化学习时间序列中长距离信息依赖的关系。该模型在金融市场预测方面得到广泛运用，也常常会和其他模型结合使用。例如，2019年，赵洪科等人就结合注意力机制和长短期记忆神经网络提出了融合多时间序列的金融市场动态预测模型，实现了对多维度数据的输入与处理。同年，Kim Taewook，Kim Ha Young提出了另一个混合模型——LSTM-CNN模型。它结合了同一数据的不同表现形式中学习到的特征，即股票时间序列和股票图表图像，以此来预测股票价格。2020年，赵薇针对LSTM网络模型参数选取受主观意识影响这一缺点，继续改进模型，利用ARIMA模型输出数据集残差，并引入PSO优化算法确定数据分割和LSTM参数选择，使得模型更客观，拟合效果更优，预测更加有效。
4. 计划与进度安排
1.2022年11月—12月：搜集并阅读相关资料，确定选题；
2.2022年12月：通过前期搜集并阅读资料后写出开题报告；
3.2022年1—2月：广泛搜集与选题有关的著作、论文等文献资料，仔细的阅读资料，翻译外文文献，了解国内外与选题相关研究状况、成果、观点，并进行文献综述，为撰写论文找准切入点并写出论文提纲；
5. 参考文献
[1]沐年国,姚洪刚.基于注意力机制的循环神经网络对金融时间序列的应用[J]. 现代电子技术,2021,44(14):1-5.
[2]赵薇.基于LSTM神经网络的金融数据预测分析[D].哈尔滨工业大学,2020.
[3]黄有为,高燕.基于循环神经网络的金融数据预测系统[J].软件导刊,2019,18(01):28-33 226.
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
