發(fā)布時間：2024-05-28 19:48

　　低頻、可靠的預測買入或賣出的關鍵交易事件,是實現(xiàn)金融交易高回報、低風險的有效途徑。金融序列的過去值對未來值有直接或者間接的影響,這導致了關鍵交易事件具有上下文依賴性,交易關鍵點在相對應的上下文子序列中才有意義。本文首先從價格相對強弱指數(shù)RSI和交易量相對強弱指數(shù)RSI中提取不同特征組成輔助序列R。根據(jù)輔助序列R,定義了圓弧底形態(tài)RB和圓弧頂形態(tài)RT上下文子序列和其中的關鍵交易點,并設計相應分割算法自動分割獲得RB和RT上下文子序列和相應的交易關鍵點。金融市場的波動性和噪音導致交易關鍵點是隨機的,我們需要對其隨機性進行研究才能做出可靠預測。基于測度理論,本文提出了一個事件映射模型來正式定義這種隨機性,并將序列中的交易點通過映射函數(shù)在一個低維和規(guī)范化的度量空間Q中進行表示,將交易關鍵點的預測問題轉(zhuǎn)化為度量空間Q中關鍵事件的預測問題。根據(jù)測度理論,當映射函數(shù)是單調(diào)的時候,關鍵事件發(fā)生的概率可以通過Q中嵌套的隨機事件的概率來近似。由于關鍵交易事件的稀疏性,本文設計基于LSTM的神經(jīng)網(wǎng)絡模型來學習這個事件映射函數(shù),在訓練過程中,把獲得的上下文子序列分割成不同的數(shù)據(jù)塊,和對應的交易關鍵點組成新的訓...

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 關于價格趨勢的預測
        1.2.2 關于交易信號的預測
        1.2.3 關于交易行為的預測
    1.3 本文的主要工作和組織結(jié)構(gòu)
第2章 上下文子序列分割算法
    2.1 輔助序列R的定義
    2.2 上下文子序列定義
    2.3 上下文子序列的生成算法
    2.4 分割結(jié)果展示
    2.5 本章小結(jié)
第3章 漸近統(tǒng)計學習算法
    3.1 事件映射模型
    3.2 不平衡數(shù)據(jù)
    3.3 神經(jīng)網(wǎng)絡設計
        3.3.1 目標函數(shù)設計
        3.3.2 網(wǎng)絡結(jié)構(gòu)設計
    3.4 漸近統(tǒng)計學習算法ASL
    3.5 算法ASL收斂性分析
    3.6 本章小結(jié)
第4章 基于上下界的漸近統(tǒng)計學習算法
    4.1 上下界估計定義
    4.2 上下界逼近漸近統(tǒng)計學習算法UL-ASL
    4.3 算法UL-ASL收斂性分析
    4.4 本章小結(jié)
第5章 實驗結(jié)果與分析
    5.1 實驗設置
        5.1.1 數(shù)據(jù)集
        5.1.2 評估指標
        5.1.3 參數(shù)設置
    5.2 實驗結(jié)果分析
    5.3 本章小結(jié)
第6章 總結(jié)與展望
    6.1 全文總結(jié)
    6.2 未來研究工作
參考文獻
指導教師對研究生學位論文的學術評語
學位論文答辯委員會決議書
致謝
攻讀碩士學位期間的研究成果



本文編號：3983641