1. 研究目的与意义
股票市场是我国市场经济的重要组成部分，在资金融通、资源配置、财富分配等领域发挥着巨大的作用，对股价的预测为探寻股票市场的内在规律提供了切入口，能够帮助政府机构对国家经济整体走势有一定的掌握了解，从而制定相应的经济政策进行宏观调控，具有很大的现实意义。也有利于企业适时地通过股票市场进行资金融通，增强资金流动性，从而降低风险，提高企业的竞争力。此外，如果能够通过建立模型对股价进行较为可靠的预测，就能够帮助投资者做出正确的决策，从而使投资收益最大化。目前已存在一些股价预测的模型方法，但预测效果往往不尽相同，本文通过分别建立传统的时间序列ARIMA模型、BP神经网络模型以及LSTM神经网络模型，对它们的预测效果进行比较，分析其优缺点和各自的适用性，建立较为可靠的股价预测模型，从而帮助众多投资者有效地控制风险，增强其投资决策的科学性，具有重要的实践意义。
2. 研究内容和预期目标
股票市场是一个高风险与高收益并存的市场，对股票价格的预测成为了投资者们密切关注的问题，很多学者投入大量研究，期望能够建立可靠模型对股价进行有效预测。考虑到相对于个股来说，综合股指具有更好的稳定性，波动性较小，而且综合股指代表一个整体水平，更具有参考价值，因此本文选取综合股指进行研究。沪深300指数由沪深A股中规模大、流动性好的最具代表性的300只股票组成，样本涵盖了沪深市场六成左右的市值，并且从行业分布上来看，沪深300指数分布较为全面和均衡，具有良好的市场代表性，因此本文选取沪深300指数进行研究。
由于股票数据具有很强的时序特征，是一个典型的时间序列数据，因此可以应用传统的时间序列模型，如ARIMA模型对股指进行预测。除时序特征外，股票数据还受到很多因素的影响，例如外界环境变化、重大新闻事件、投资者投资偏好及情感偏向等，这些因素往往较为复杂，难以很好地进行量化分析，但由于股票数据十分敏感，大多因素变动都可以通过日行情数据侧面体现，因此本文选取开盘价格、收盘价格、最高成交价、最低成交价、涨跌幅、成交量六个指标作为影响因素进行股指预测。考虑到股指数据是较为特殊的时间序列数据，因此除了采用传统的时间序列模型外，本文进一步利用机器学习构建BP人工神经网络模型和长短期记忆(LSTM)神经网络模型进行预测，同时对三种模型的适用性及预测效果进行分析比较，旨在找出针对股票数据最为适用的预测模型，帮助投资者实现投资收益最大化。
3. 国内外研究现状
股票价格建模与预测是金融领域的一项重要研究，许多国内外的学者都对此进行了深入研究，来帮助股票市场投资者做出正确的交易决策，从而获得最佳投资收益。
不少学者利用传统的时间序列模型进行预测，刘松、张帅[1]建立了ARIMA模型对西南证券的股价进行预测，得出了ARIMA模型对股价短期预测效果较好的结论。张少萍[2]以招商银行为例，建立GARCH模型进行股价预测，通过合理选取模型输入变量，能够将预测的相对误差控制在5%以内。但传统的时间序列模型在处理长期且较为复杂的数据时存在一定缺陷，随着计算机科学的发展，以支持向量机和人工神经网络为主的机器学习方法受到更多学者的青睐。杨新斌，黄晓娟[3]提出将支持向量机引入到股价预测的建模中，建立了基于支持向量机的股市预测系统模型,对股价进行仿真实验，解决了股价预测过程中的精度不高的难题。张晶华[4]等人也构建了支持向量机模型，对上证指数进行预测，发现利用前三天的数据对两天后的股价进行预测能够取得较好结果。申远[5]、李响[6]建立了BP人工神经网络模型进行预测，发现该方法能克服传统方法的许多局限性。随着深度学习的进一步发展，更深层次的神经网络模型得到了越来越多的应用，为分析时间序列数据提供了新的方法，彭燕,刘宇红[7]等人构建长短期记忆LSTM模型对苹果公司股价预测，取得较好预测效果。陈毓琦[8]将小波降噪模块与LSTM相结合，发现该模型在处理非线性时间序列上具有较大优势，隋金城[9]建立了RNN(循环神经网络)与LSTM(长短期记忆神经网络）模型，进一步证实了深度神经网络模型在股票预测问题上的适用性。
另一方面，也有不少学者分别建立不同模型，将各模型的预测效果进行比较，例如张如梦、张华美[10]将ARIMA模型与GARCH模型进行综合，并与BP模型进行对比，发现ARIMA-GARCH模型在短期预测中具有一定优势，而BP模型在长期预测中表现更好。丁文娟[11]将ARIMA模型与LSTM模型进行比较，发现股票数据与LSTM模型契合度较高，相较于传统的ARIMA模型具有更好的预测效果。张杰[12]也做了类似的研究，同样证实了LSTM模型对股票数据具有更强的适用性。由于深度学习模型在预测股票价格方面表现较好，Arjun[13]等人使用递归神经网络分析参数，比较了RNN、LSTM、GRU三种深度学习模型的股价预测性能,选取尼泊尔证券交易所上市的两家典型商业银行的股价进行验证，发现GRU模型在预测中最为成功，具有较高的应用价值。
4. 计划与进度安排
研究计划：
1、2021.11.28完成选题工作
2、2021.11.28-2022.1.15 完成开题工作
5. 参考文献
[1]刘松,张帅.运用ARIMA模型对股价预测的实证研究[J].经济研究导刊,2021(25):76-78.
[2]张少萍.招商银行股票价格预测研究——基于GARCH模型[J].金融经济,2018(10):84-87.
[3]杨新斌,黄晓娟.基于支持向量机的股票价格预测研究[J].计算机仿真,2010,27(09):302-305.
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。
