RNN神经网络在股票指数价格预测模型的研究与应用

作     者：柏万宽 

作者单位：重庆大学 

学位级别：硕士

导师姓名：刘琼荪

授予年度：2018年

学科分类：12[管理学] 02[经济学] 0202[经济学-应用经济学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 020204[经济学-金融学（含∶保险学）] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：股票价格指数预测 循环神经网络 LSTM CW-RNN 

摘      要：在今天的学习生活中,人工智能、机器学习、深度学习如火如荼的发展着,人工智能在自动驾驶领域的应用日趋成熟,机器学习、深度学习在语音识别、人脸识别、自然语言处理等领域的应用非常成功。股票市场是国家经济的晴雨表,股票指数是股票价值的直观反映。股票指数的价格具有容易受各种经济因素的影响,具有复杂的非线性、不稳定性等因素。循环神经网络在时间序列数据上的能力与计量经济学和统计学中的时间序列模型相比更好,传统神经网络在股票价格预测的能力已被充分挖掘。因此,提出基于循环神经网络的股票指数预测价格具有理论意义和应用价值。论文数据选取2000年3月27日到2018年3月20日香港恒生指数每日历史数据,数据来源于雅虎财经频道。采取了开盘价、最低价、最高价三个数据属性,作为循环神经网络模型的输入变量。原始数据采集后去除缺失记录后剩余4390组数据。将原始数据分为两部分,原始数据的前70%的数据作为训练数据集,后30%作为测试数据集。训练数据集包含3083组数据,测试数据集包含1037组数据。采用了三种神经网络模型:循环神经网络模型、长短期记忆神经网络模型、ClockworkRNN模型对香港恒生指数历史数据进行预测,并对预测结果进行了对比分析和评价。预测结果表明:Clockwork-RNN的预测效果最好,长短期记忆神经网络模型预测效果次之。三个股票指数价格预测模型预测结果与实际价格的平均绝对误差与均方根误差的很小,长短期记忆神经网络预测模型和CW-RNN预测模型的两种误差更小。