基本信息
文件名称:2025《基于神经网络的金融时间序列的实证研究》13000字.docx
文件大小:841.09 KB
总页数:29 页
更新时间:2025-05-18
总字数:约2.2万字
文档摘要

基于神经网络的金融时间序列的实证研究

摘要

金融时间序列作为重要的时间序列之一,一直是非常有价值的研究部分?传统的统计学难以处理如此复杂的关系,也难以准确提取股票数据中包含的数据?随着计算机硬件和深度学习的共同发展,股市预测即将到来?本文的主要研究内容的是不同的神经网络算法在预测股票市场时是否能得到准确的预测结果?LSTM作为诞生了有十年以上的老牌算法,在数据预测方面一直有比较好成绩和运用?Transformer算法在近5年飞速的发展,使其已经不满足在原本的领域中继续发展,开始向别的领域进发,同时也进发了预测方面,他与老牌的循环神经网络相比算法的想法也更加类似人类的思考方式?通过实验来探索两者算法的区别,分析出哪个更加适合于金融时间序列的预测?通过实验对比,可以看出,在SZ.000001的股票中LSTM的股票市场的趋势预测模型比Transformer的股票市场的趋势预测模型,accuracy和loss都有显著提高?

关键词:金融时间序列;股票预测;LSTM;Transformer

目录

TOC\o1-3\h\u198371绪论 1

251991.1研究背景 1

12281.2国内外研究现状 1

115941.3研究的目的与意义 2

111331.4论文的结构 3

57762相关工作与理论基础 4

323192.1相关工作 4

324292.2理论基础 4

952.2.1神经网络 4

138262.2.2金融时间序列 5

230093基于神经网络的金融时间序列算法设计 7

2883.1问题描述 7

284773.2LSTM框架 7

256073.2.1背景介绍 7

184913.2.2对RNN改进后的LSTM 7

51443.2.3LSTM的主要阶段 8

180553.3Transformer框架 9

119953.3.1背景介绍 9

291603.3.2Transformer主要结构 9

9803.3.3Self-Attention 11

39133.3.4Multi-HeadAttention 12

84383.3.5PositionEmbeddings 12

74793.4Transformer与LSTM的对比 13

86253.4.1位置编码方式 13

103043.4.2并行能力 13

65443.4.3时间复杂度 13

132714实验仿真分析 14

252924.1实验设置 14

172174.1.1实验使用的环境 14

260744.1.2实验使用的工具 14

200504.1.3实验使用的第三方库 14

39844.2实验数据 15

229384.2.1数据的获取 15

64294.2.2数据预处理 15

278734.3实验具体流程 16

146234.3.1数据获取 17

170154.3.2数据处理 17

200044.3.3模型搭建 18

77274.3.4模型设置 18

220904.3.5LSTM的参数设置 19

289194.3.6Transformer的参数设置 19

258304.4关键代码 19

221234.4.1Transformer 19

36684.4.2LSTM 21

91804.5实验结果 21

172535结论与展望 24

155155.1结论 24

84415.2展望 24

15752参考文献 25

PAGE

PAGE23

绪论

研究背景

现代生活已经进入全面小康的社会,小康的社会已经建立起来。越来越多的人将闲置资产投入金融市场。金融业也随之快速全面发展,更加规范和包容,更加渗透到日常生活的方方面面。股市的发展与市场经济的发展也息息相关,有些投资者通过判断市场或在股市中判断市场来判断股市。因此,炒股者的数量逐年不定量增加,广大股民在股市的积极性也越来越高,进而也对金融预测产生了迫切需求。股票交易逐渐成为一种正常的活动,股票预测也随之兴趣。

股票作为一种重要的金融时间序列数据,它具有普通时间序列数据具有的特征,例如趋势,周期和季节性等特征。由于股价波动影响到社会经济生活的方方面面,有效预测股价波动趋势具有很高的经济和社会价值。传统的数据分析方法通常难以表示复杂的非线性关系,并且预测结果的精准度也不高。股市发展的变化也使得的很多科学家和经济学家着迷,随