5、基于卷积神经网络的股票市场时间序列预测

基于卷积神经网络的股票市场时间序列预测

1. 研究背景与目标

时间序列预测在动态数据分析领域备受关注，众多研究领域都在探索相关的预测技术，包括局部和全局模型、单变量和多变量模型等。在金融领域，金融时间序列如每日变化率、每日股票市场指数值和每日商品费用等，通常是无序且嘈杂的，具有随时间变化的统计特征，难以进行准确预测。

本研究旨在创建一个强大的卷积神经网络（CNN），以准确预测时间序列数据，特别是股票的次日最终价格。具体目标包括：
- 确定深度学习模型能否在使用黄金价格、黄金波动率指数、原油价格和原油价格波动率指数作为输入时，正确预测未来股票价格趋势。
- 利用提取的特征数据和训练好的模型，决定是否买入、卖出或持有特定股票。

2. 研究方法

2.1 数据准备

为了进行实验，我们考虑了三种独特的指数：KOSPI、TAIEX和BSE - SENSEX。使用2015年至2020年期间每年365天的记录数据，其中1月1日至10月31日的数据用于训练，11月1日至12月31日的数据用于测试，以评估CNN的有效性。

2.2 卷积神经网络（CNN）

CNN模型设计复杂，由以下几个主要层组成：
- 池化层（POOL） ：逐步减少表示的空间长度，以减少网络内所需的参数数量和计算量。每个特征图由池化层单独处理。
- 全连接层（FC） ：最后一层，对扁平化的输入进行操作，每个输入与每个神经元相连。神经元通常具有Sigmoid激活或Softmax特征。
- 卷积层（CONV