基于深度学习的短期股市价格趋势预测研究

作     者：覃勉 

作者单位：兰州大学 

学位级别：硕士

导师姓名：李彩虹

授予年度：2023年

学科分类：02[经济学] 0202[经济学-应用经济学] 020204[经济学-金融学（含∶保险学）] 08[工学] 081104[工学-模式识别与智能系统] 0811[工学-控制科学与工程] 

主      题：股票价格趋势预测 深度学习 多源特征融合体系 生成对抗网络 

摘      要：股票市场作为金融行业的一个关键组成部分,关乎国计民生。股票价格趋势预测对投资者和交易员尤为重要,准确的预测股票价格趋势可以提供有关股票价格未来走势的重要信息。这有助于投资者制定更好的投资策略,减少风险并获得更高的回报。传统的股票价格趋势预测方法主要依靠技术分析和基本面分析,这些方法受限于市场噪声、非线性关系等因素,在股票市场中表现一般。因此,越来越多的研究者选择深度学习技术来预测股票价格趋势。深度学习具有自适应性和非线性建模能力,能够从大量的历史数据中提取有效特征,并对未来股票价格走势进行预测。股票价格的涨跌变化不仅受历史价格的影响,还受到公司基本面和市场宏观经济因素等因素影响。因此,本文基于金融学先验知识,构建了一个多源特征融合体系MFF。该体系将股票价格趋势预测所需特征分为了四个部分:基本特征、技术特征、新闻特征和关联特征,并采用主成分分析对这四种特征进行了特征融合。在构建了多源特征融合体系后,本文基于Wasserstein生成对抗网络提出了Stock-MFF-WGAN短期股票价格趋势预测模型。该模型能够充分利用多源特征去挖掘不同数据之间的潜在联系,实现精确的短期股票价格趋势预测。通过消融实验证明,本文提出的多源特征融合体系可以显著提高股票价格趋势预测的精确度。对传统深度学习方法和Stock-MFF-WGAN模型进行对比实验,实验结果表明Stock-MFF-WGAN模型在6大不同行业的龙头股票上均取得了最优效果。最后,本文对该模型进行了回溯测试,实验证明Stock-MFF-WGAN模型在实际市场环境下的模型性能也优于其他对照模型。基于构建的多源特征融合体系和Stock-MFF-WGAN模型,本文采用Vue.js和Spring Boot框架开发了短期股市价格趋势预测系统。该系统由五个主要模块构成:数据采集模块、预测模型模块、模型部署模块、用户界面模块和安全保障模块。整个系统的设计与实现遵循软件开发的流程,先进行需求分析,然后实现系统设计,最后进行软件测试。该系统基于Web服务,能够方便的为投资者提供辅助股票市场分析和决策。