为刻画股票价格的非线性动态特征,并充分考虑宏观经济变量对股票价格的影响,文章基于深度学习中的门控神经单元(Gated Recurrent Unit, GRU)和广义自回归条件异方差混频数据抽样(GARCH-MIDAS)模型构建了两种混合模型。分别将GRU模型和GR...为刻画股票价格的非线性动态特征,并充分考虑宏观经济变量对股票价格的影响,文章基于深度学习中的门控神经单元(Gated Recurrent Unit, GRU)和广义自回归条件异方差混频数据抽样(GARCH-MIDAS)模型构建了两种混合模型。分别将GRU模型和GRU-Attention模型与考虑宏观经济变量的GARCH-MIDAS模型进行组合,融合了深度学习模型和金融时间序列模型各自的优点,以期提高上证指数股票价格预测的精度。使用2010-2022年上证指数的基本行情数据,以及波动率数据,对比分析了GRU、GRU-Attention、GM-GRU和GM-GRU-Attention四种模型的预测结果。实验结果表明,本文提出的混合模型的预测效果均优于基准模型,综合比较四种模型的预测结果、损失函数和DM检验结果,表明本文提出的GM-GRU-Attention模型预测精度最高,并具有良好的适用性。展开更多
文摘为刻画股票价格的非线性动态特征,并充分考虑宏观经济变量对股票价格的影响,文章基于深度学习中的门控神经单元(Gated Recurrent Unit, GRU)和广义自回归条件异方差混频数据抽样(GARCH-MIDAS)模型构建了两种混合模型。分别将GRU模型和GRU-Attention模型与考虑宏观经济变量的GARCH-MIDAS模型进行组合,融合了深度学习模型和金融时间序列模型各自的优点,以期提高上证指数股票价格预测的精度。使用2010-2022年上证指数的基本行情数据,以及波动率数据,对比分析了GRU、GRU-Attention、GM-GRU和GM-GRU-Attention四种模型的预测结果。实验结果表明,本文提出的混合模型的预测效果均优于基准模型,综合比较四种模型的预测结果、损失函数和DM检验结果,表明本文提出的GM-GRU-Attention模型预测精度最高,并具有良好的适用性。
