推荐5篇关于股价预测的计算机专业论文

今天分享的是关于股价预测的5篇计算机毕业论文范文, 如果你的论文涉及到股价预测等主题,本文能够帮助到你

基于深度学习的智能金融资产管理系统研究与实现

这是一篇关于股价预测,投资组合管理,算法交易,深度学习,强化学习,容器,分布式集群的论文, 主要内容为由于深度学习在各个领域取得的成就,促使研究者将人工智能算法与金融投资相结合,利用深度学习算法对用户的投资行为进行智能评估,让用户的决策更聪明。同时,金融市场数据量的不断增加,使得用户对金融分析平台的处理能力提出了更高的要求,从数据采集、处理、分析各个环节都要保证效率和准确性。因此,提高金融数据分析平台的性能是当前要重点解决的问题。目前金融数据分析平台的研究与应用越来越多,市场参差不齐,而且对于普通用户来说仍有较高的准入门槛。本文采用基于深度强化学习的算法,对股价预测、投资组合和算法交易相关问题进行了实验探索,并通过对比实验,从模型表现和算法输出效果两个方面进行分析。同时,对于金融数据分析平台的建设,本文使用了当下较流行了 Kubernetes容器编排与微服务技术,搭建了一个分布式金融数据分析系统。本文的贡献主要如下:(1)将深度强化学习引入金融市场,利用深度强化学习强大的拟合能力和表达能力,对金融领域非线性数据难以把握的问题提供了一种解决方案。(2)提出了一种金融资产管理方法,通过对股票交易数据的分析和智能组合,精确的找到变化趋势中合适的交易点并进行自动交易,在风险可控的前提下提高投资者的收益。(3)设计了一个智能金融资产管理系统,系统基于Kubernetes和微服务搭建,可以高并发、高性能的实现金融数据的实时分析、深度强化学习的高效可用功能,既帮助用户观察金融市场的走势变化,又能给用户的投资决策做出合理的建议。

基于ResNet-GRU融合模型的股票价格预测研究

这是一篇关于股价预测,深度学习,轻量级梯度提升机,残差神经网络,门控循环单元的论文, 主要内容为股票市场作为一个复杂的动态系统,其未来发展趋势受到多方面因素的影响。通过科学的方法对股票价格进行预测,对投资者个人和金融机构来说具有重要意义。目前通过构建数学模型对股票价格进行预测仍然是一个重要的研究课题,随着数学与统计建模方法在股价预测领域的不断创新和发展,基于深度学习算法的股票价格预测研究取得了很大的进步,但是当前算法仍然存在着对数据信息提取能力不足、预测精度不高和泛化能力弱等问题。因此,本文在股价指标的选取和构建高效预测模型两个方面进行研究。针对上述问题,本文选取了深证成指和沪深300指数股价数据作为研究对象,并对有效指标进行选取,随后提出了基于残差神经网络(Res Net)和门控循环单元(GRU)的Res Net-GRU融合模型,对股票数据的日收盘价进行预测。首先,在输入指标的选取方面,本文不仅考虑了传统的基本行情指标,还新增了部分技术指标。为了能够得到有效的影响指标,本文先后采用相关系数法和轻量级梯度提升机(Light GBM)算法对预选指标进行相关性分析和重要性分析,综合分析结果选取相关性低且重要性分数高的指标作为最终输入指标,这不仅降低了指标信息的冗余程度,还提高了指标信息的利用率。然后,在模型构建方面,利用了Res Net对深层神经网络的优化能力和GRU模型对时序信息的提取能力,分别用来提取大量股票价格伪图像数据中的空间特征和时序特征,并以Res Net和GRU两种网络为基础,构建了串联Res Net-GRU融合模型和并联Res NetGRU融合模型,其中并联Res Net-GRU融合模型可以在训练过程中减少原始信息的损失,提高预测精度。通过实证研究得到以下结论:首先,当残差神经网络中的卷积网络层数为10层且深证成指和沪深300指数数据集的滑动窗口大小分别为9和10时,模型取得较好的预测效果;其次,通过对比基本行情指标与本文选取指标的预测结果可知,本文选取的指标在并联Res Net-GRU融合模型上的预测效果较好,证实了加入技术指标的有效性;最后,由不同模型的预测结果可知,本文提出的并联Res Net-GRU融合网络模型的预测效果较好,同时也验证了并联Res Net-GRU融合网络模型在不同数据集上对股票价格预测的有效性和合理性,增强了模型的泛化能力。

消费者评论与股票收益相关关系的实证研究

这是一篇关于消费者评价,股价预测,多因子模型,多重分形去趋势交叉相关分析的论文, 主要内容为消费者掌握着产品质量信息,而公司产品质量影响股票价格,互联网赋予了消费者以消费者评论的方式分享产品质量信息的新表达形式,这些消费者评论虽然含有噪音但可能含有预测股价的信息。国外学者已经发现了消费者评论能够预测股价,但国内尚缺少相关研究,由于国内外市场环境的不同,结论未必一致。本文采集了京东电商平台的消费者评价数据,并据此展开了消费者评论与股价预测、消费者评论与股票收益的动态关系两方面的研究。实证研究表明:每月的消费者评价并不能预测下个月的证券组合收益,而每周的消费者评价可以预测下周的证券组合收益,但高异常消费者评价证券组合的周收益显著低于低异常消费者评级证券组合,且经多因子回归后依然成立。基于此,得出结论:消费者评价中不含有反映上市公司真实价值的信息,而更多的是短期消息带来的价格波动。本文采用多重分形去趋势交叉相关分析方法研究了周超额收益与周平均消费者评级之间的相关性。主要实证结果为:(1)周超额收益与周平均评级之间存在幂律交叉相关关系,且这些相关关系均表现出多重分形特征。(2)对于周超额收益与周平均评级之间的交叉相关关系,小波动下比大波动下更具有相关性。(3)周超额收益与周平均评级之间的长程交叉相关性相对短期交叉相关性来说更具持续性。在短期内,周超额收益与周平均评级之间交叉相关性的多重分形程度较小,并且交叉相关性更稳定。从长期来看,交叉相关关系均在小波动下表现出比大波动下更强的相关性。

融合知识图谱和情感分析的股价预测模型

这是一篇关于金融知识图谱,股价预测,BERT,文本分类,图神经网络的论文, 主要内容为自股市诞生之后,股票预测问题就受到了来自金融领域和计算机领域的众多研究者的关注。随着深度学习的发展,历史股价、新闻、论坛等数据被各种各样的深度学习模型运用于股票预测问题。然而,其仍然面临着诸多难题,例如财经新闻数据大、涉及面广,当财经新闻中未直接出现上市公司名称时,难以预测受该新闻影响的上市公司,即财经新闻的相关公司挖掘问题;上市公司之间存在复杂多样的关系,公司间相关性建模困难等问题。针对上述挑战,本文构建了金融知识图谱以挖掘新闻文本涉及的公司和公司之间的相关性,并基于实体链接和知识图谱嵌入等技术,提出了一种新颖的基于图神经网络的融合了知识图谱和情感分析的股价趋势预测模型。围绕股票预测问题,本文的主要工作包括:1)使用爬虫技术从同花顺网站上爬取上市A股公司的公开数据。然后,基于领域规则进行数据清洗,并使用Protégé构建本体。最终,在图数据库中构建了国内A股上市公司的金融知识图谱(A-shares Knowledge Graph,AsKG)。AsKG目前包含 256,141 个实体和 443,874条关系。2)设计了一种利用金融知识图谱AsKG有效挖掘财经新闻相关公司信息的策略。首先,使用改进的序列标注模型BERT-BiDT-CRF从新闻文本中获取关键实体。然后,基于实体词典和Elasticsearch索引使用字符匹配的方法进行实体链接,得到关键实体在AsKG中对应的节点。最后,采用基于束搜索的节点搜索算法借助AsKG存储的领域知识,获取对应的公司名称。3)构建了以上市公司为节点,公司间相关性为边的股价趋势预测图,其节点特征由历史股价数据和财经新闻的情感分析算法结果组成。边特征由历史股价的统计信息和AsKG的嵌入(Embedding)信息表示。利用图神经网络对股价趋势预测图进行分析,进行股价趋势预测。针对上述算法,本文进行了分阶段的实验,并构建了同花顺网站的财经新闻数据和沪深300的股票价格数据的实验数据集。在该数据集上,对本文提出的股价趋势预测模型的有效性进行了实验验证。实验表明,本文提出的股价趋势预测模型是有效的,其性能优于基准模型ARIMA。