摘要
股票价格指数是反映股票市场总体状况的重要经济指标，准确的预测股票价格指数波动是防范风险和保障金融市场稳定发展的重要手段。我国股票行业是强噪音市场，其波动容易受到谣言、国内外经济环境等的综合影响，使数据呈现线性关系与非线性关系共存的特点。本文采用时间序列模型与深度学习模型相结合的方法，开展股票价格指数的预测研究，两个模型相互补充，时间序列模型能够挖掘序列间的线性关系，而深度学习模型可以很好的处理非线性部分，将两个模型进行融合，以期取得更加准确的结果。主要研究成果与创新如下: 1.对比模型实验。本文进一步完善股票预测过程中的影响因素，引入预测方式的差异，综合对比时间序列模型和深度学习模型在不同预测方式上的预测效果。从动态预测和静态预测角度出发，分别构建ARIMA模型、ARIMA-GARCH模型、LSTM模型、GAN模型并基于上证综指股票价格数据对比两类模型的预测效果。实验结果显示，在静态预测中ARIMA-GARCH模型的平均预测精度最好，其RMSE值为21.66％,而动态预测中以LSTM为代表的深度学习模型预测效果最为精确，其RMSE值仅有6.32％,这表明预测方式会影响模型的预测效果。 2.深度学习模型优化。在对比实验中发现深度学习模型在静态预测中预测效果不稳定，基于此发现，本文对深度学习模型进行优化，选择线性组合方法中的等权组合法和优势组合法对GAN、LSTM模型进行优化，结果发现优化后的预测精度显著提高，模型优化方法有效。 3.构建组合模型ARIMA-BiLSTM预测股票价格指数。基于两类模型的优缺点，本文提出新的组合模型ARIMA-BiLSTM,此模型主要基于残差优化思想，充分利用数据包含的信息。选择沪深300指数数据进行性能评估，结果表明组合模型可以规避单一模型带来的缺陷，ARIMA-BiLSTM模型较其它先进方法具有更高的预测精度。最后，对构建的模型展开消融实验研究模型参数设置的合理性，并基于不同数据集进一步验证组合模型的有效性。
NETL