论文部分内容阅读
金融全球化是当今人类发展不可逆的潮流。金融市场的高复杂性、高回报和高风险的特点使其具有重要的研究价值。研究金融市场的目的是发现其内在的运行规律,进而防范金融风险并实现对市场的有效监管。艾略特波浪理论从根本上对金融市场的波动规律做出了阐述,对金融市场的未来走势预测具有重要的指导性意义。结合艾略特波浪理论的金融预测模型研究尚不成熟,现多局限于以BP网络为基础的浅层网络模型,运用深度学习技术对其建模的研究比较匮乏。本文研究并总结了现阶段基于传统统计学方法和基于机器学习方法两大类的金融预测模型,以及基于艾略特波浪理论的金融预测模型。深度学习是非线性智能模型的突破性技术,近年来在许多领域皆有成功且突出的表现。深度学习旨在发现数据的高级特征表示,进而得到数据的内在规律。艾略特波浪理论用波浪模式对金融市场的变化规律进行分类描述,本文认为艾略特波浪是金融时间序列的高级特征表示。以此为结合点,本文提出利用深度学习建立艾略特波浪模式的预测模型。深度置信网络是深度学习的经典模型之一,可实现数据的特征提取和分类任务,这两项任务即利用艾略特波浪理论预测金融市场的关键。由此本文创新地提出了PVD模型(PLR_VIP+DBN),通过从金融时间序列中提取和分类艾略特波浪模式实现对未来市场走势的预测,并用实验证明了PVD模型的有效性。考虑到研究的综合性,本文引入5种参照模型对金融时间序列的艾略特波浪模式识别进行建模,全面地对比研究了多种神经网络的性能效果。参照模型包括三种深度学习模型和传统BP网络及其改进网络。此外,本文还将PVD模型与前人的金融预测模型做对比。对比实验的结果证明,以深度置信网络为基础的PVD模型在稳定性、收敛速度、准确率等方面的表现均优于其他模型,具有更高的预测性能。PVD模型能够有效改善批量使用BP算法而引起的局部最优问题,提高浅层网络模型的表征能力;改善Kotyrba等人提出的用于艾略特波浪模式识别的传统BP网络模型和多级分类器的预测性能;提高以股票收益率和高频买卖策略为代表的未结合艾略特波浪理论的金融预测模型的精度。