1. 研究目的与意义
随着我国经济的发展，股票市场在我国经济市场中所占的份额越来越大，甚至成为我国经济发展的“晴雨表”。股票市场是一个非常复杂且庞大的经济体系，因此各种各样的经济因素、政治因素等都每时每刻影响着股票市场行情的变化。股票价格趋势的变化，是股市中股民最为关注的。在我国股市中，股票价格受众多因素的影响，例如：政策调整、经济环境、国际局势等。因此，对股票价格走势做出合理的预测，一直是经济学家们研究的重点难点。如果能够对股票价格走势做出合理的预测，不仅能够减小投资风险，而且，将预测的股价走势与股票买卖策略相结合，能够帮助投资者对自身的投资结构做出合理的调整，实现收益的最大化。
2. 研究内容和预期目标
股票市场是一个非线性且动态的复杂系统，传统算法无法较好地提取其中存在的特征联系。而神经网络具有强大的自适应及学习能力、自组织性等特点，在多方面具有良好的表现，能从输入特征中学习到隐藏在其中的关系对事物做出预测。本文将选取多个股票技术指标，选取2016年至2019年的股票数据，构建并比较LSTM，CNN等模型的预测结果。
本文将先进行LSTM模型构建，后进行数据训练与预测，再与其他方法进行比较，最后提出改进。
3. 国内外研究现状
尽管近年来深度学习主要应用于语音、视觉处理等模式识别中，但是随着深度学习能够满足金融数据分析日益増加的需求，深度学习己经开始逐渐成为金融领域应用的前沿工具之一。由于国内将深度学习应用于股票、期货市场的相关文献，在梳理一部分国内外的相关文献后，我们发现将深度学习应用于金融领域预测研究中,较为常见的是循环神经网络,长短时记忆神经网络#65380;深度信念网络和卷积神经网络#65377;Maknickiend间借助循环祌经网络对过去行为记忆的优势,对预期收益进行了预测,结果表明利用Evolino-RNN模型,用于货币市场投资者是可靠的预测工具#65377;为证实循环神经网络在股票市场上预测能力,Roondiwalaetal运用LSTM对NIFTY50指数进行了股指收益的预测,结果证明LSTM的预测能力#65377;也有一些学者通过构建了一种基于自回归滑动平均模型、指数平滑模型和非线性模型的混合股票收益预测模型,并对比了传统循环祌经网络校型的效果发现,该混合预测模型证实了循环神经网络预测的准确性,并且比循环神经网络具有更好的预测性能#65377;相比传统的循环祌经网络,Persioetal.通过构建一种Wavelet-RNN模型来预测股市价格指数的涨跌,在SP500指数上表现了较好的结果#65377;更有一些学者在深度学习的前提下,在所构建的模型中加入强化学习模块,研宄了通过训练计算机能否战胜经验丰富的金融交易者,实证结果表明深度强化学习在股票和商品期货市场上的应用效果显著#65377;国内在将深度学习应用于金融领域的研究文献相对较少,曾志平等改进了基于深度信念网络(DBN)决策的算法,利用深度学习对非结构化数据处理的优势对沪深股市的股票趋势进行预测,结果表明上升趋势的预测准确率达到90.5442%#65377;林杰等为研究沪锌期货价格的预测,构建了基于BP神经网络和卷积神经网络(CNN)的沪锌期货预测模型，结果表明该模型的预测准确率具有显著优势。
4. 计划与进度安排
1、2022年11月15日-2022年11月20日:完成选题工作。
2、2022年11月21日-2022年11月30日:搜集并阅读大量相关资料,完成开题工作。
3、2022年3月13日前:完成初稿和中期检查工作。
5. 参考文献
[1]Rounaghi#58853;M#58853;M,#58853;Zadeh#58853;F#58853;N.#58853;Investigation#58853;of#58853;market#58853;efficiency#58853;and#58853;financial#58853;stability#58853;between#58853;Samp;P500#58853;and#58853;London#58853;stock#58853;exchange:#58853;monthly#58853;and#58853;yearly#58853;forecasting#58853;of#58853;time#58853;series#58853;stock#58853;returns#58853;usingARMA#58853;model[J].#58853;Physica#58853;A#58853;Statistical#58853;Mechanics#58853;amp;#58853;Its#58853;Applications,#58853;2016,#58853;456:#58853;10-21.
[2]Lin#58853;Z.#58853;Modelling#58853;and#58853;forecasting#58853;the#58853;stock#58853;market#58853;volatility#58853;of#58853;SSEcomposite#58853;index#58853;using#58853;GARCHmodels[J].#58853;Future#58853;Generation#58853;ComputerSysems,#58853;2018,#58853;79:#58853;960-972.
[3]Herwartz#58853;H.#58853;Stock#58853;return#58853;prediction#58853;under#58853;GARCHAn#58853;empirical#58853;assessment#58853;[J].#58853;International#58853;Journal#58853;of#58853;Forecasting,#58853;2017,#58853;33(3):#58853;569-580.
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。
