公共文化服务平台

搜索到2457篇“ 股票指数“的相关文章

采用门控循环单元与深度进化策略的股票指数量化模型: 2025年; 为了提高股票价指数预测的准确性、增强统计建模性能优化与股票指数特征相依的交易策略效果,提出一种将指数预测与量化交易策略有效结合的门控循环单元深度进化量化模型(GRU-DES)。首先,建立循环神经网络(RNN)、长短时记忆神经网络(LSTM)和门控循环单元网络(GRU)预测模型,分别对上海证券交易所(上证)超大盘股票指数、上证中盘股票指数和上证小盘股票指数进行预测;接着采用所提出的深度进化量化模型(DES)对三大股票指数的预测值与真实值进行回测研究,通过比较预测结果与真实结果在同一策略下的各项回测指标和交易细节等特性确定最优网络结构和策略参数,进而优化深度进化策略;最后根据优化后的策略提出了GRU-DES模型,并再次对三大股票指数进行样本外数据回测来验证模型有效性。实证回测结果表明:所提出的GRU-DES模型在各量化回测指标上较LSTM-DES模型与RNN-DES模型的预测精度均高出14%以上,有效解决了统计预测指标的随机性和过拟合的问题;根据2016年至2024年7年间数据回测,所提出的GRU-DES模型比强化学习模型在各回测指标中均展现了稳定性和有效性。; 任晓萍陈志平; 关键词：股票指数收益率

集成深度强化学习在股票指数投资组合优化中的应用分析被引量：1: 2025年; 基于集成深度强化学习的投资组合选择是当前量化金融领域的关键技术之一。然而,目前采用上一窗口阶段最优指标决定下一阶段代理的集成滚动窗口方法存在一定的滞后性。为了有效应对这一不足,提出了双层嵌套集成深度强化学习方法。该方法对三种代理(优势演员-评论员、深度确定性策略梯度和近端策略优化)进行两层嵌套模式,第一层集成通过最优化夏普比率进行阶段模型选择,第二层通过加权投票的方法集成三种深度强化学习算法,从单次训练中收集多个模型快照,在训练期间利用这些模型进行集成预测。分别对上证50投资指数和道琼斯指数及其包含的股票进行了投资组合研究,将持有指数被动策略和均值方差投资组合策略作为基线策略。实验采用了投资组合价值、年化回报率、年化波动率、最大回撤和夏普比率等指标作为对比指标。结果表明,所提出的集成方法在实用性和有效性上表现出较好的性能。; 冀中张文嘉; 关键词：股票投资组合交易策略

基于深度学习的股票指数预测研究与应用: 随着深度学习的快速发展,其在金融市场的应用也日益频繁。股票市场是金融领域研究的一个重要课题,股票指数的波动对投资者、企业和国家都具有重要的影响,因此对股票指数的准确预测具有重要的经济价值。本研究旨在探讨基于深度学习的股票...; 王明路; 关键词：股票指数交易策略

基于LSTM网络和文本情感分析的股票指数预测被引量：4: 2024年; 投资决策受投资者行为偏好的影响,因此合理地捕捉投资者情绪有助于预测股票市场未来变化趋势。结合机器学习算法,分析金融市场投资者情绪,利用SVM情感分类算法,对股吧个股评论中的文本数据进行分析,从而构建出反映投资者情绪的市场情绪指标。进一步使用LSTM深度学习网络,提取市场情绪指标特征,对上证50指数进行短期预测,并对比多种传统时间序列分析模型和机器学习模型。研究结果表明,LSTM神经网络在金融时间序列预测上具有更高的准确率和精确度;加入市场情绪特征后,能进一步提升LSTM模型预测结果的准确率和精确度,说明了投资者市场情绪对于市场指数预测的有效性和适用性;此外,对LSTM模型预测结果进行误差修正,能够有效优化LSTM模型的预测结果。; 于孝建刘国鹏刘建林肖炜麟; 关键词：SVM分类器股票指数预测

基于信度隐马尔可夫过程的股票指数趋势预测方法: 2024年; 由于股票指数序列具有高频性、非线性和长记忆性等特点,且投资者行为的不确定性,所以其预测工作甚为艰难.该文结合证据理论和Pignistic概率转换方法,研究了一种新的马尔可夫模型转移矩阵计算方法,并应用于股票指数趋势预测,提出了基于信度隐马尔可夫过程的股票指数趋势预测方法,实证结果表明该方法的预测效果较好.; 王璐璐刘邱云赖岳; 关键词：隐马尔可夫模型证据理论股票指数预测

基于互联网新闻和时间卷积长短时记忆神经网络的股票指数预测研究: 2024年; 本文针对互联网财经新闻中对于股票市场涨跌的舆论观点,进行文本分析和建模,建立了股票市场领域情感词典,用于对互联网财经新闻文本数据进行积极、消极与中立情绪的情感分析。在情感分析过程中考虑否定副词和转义词,随后建立情感特征并采用时间卷积长短时记忆神经网络对沪深300股票指数进行预测。本文利用Word2Vec方法对大量互联网财经新闻进行训练,以半监督的方式构建互联网新闻语境股票市场领域中文情感词典,该词典能够有效地对股票市场相关新闻中所蕴含的股市涨跌观点和情绪进行识别。为充分利用文本和时序特征,本研究提出了时间卷积与长短时记忆网络相结合的模型TCN-LSTM。经过实证分析对比发现,TCN-LSTM模型的方向预测和短期数值预测效果优于其他深度学习模型。本研究提出了面向特定舆情主题的情感词典构建方法,建立了用于股市预测的互联网新闻情感词典。同时,也发展了利用深度学习方法进行金融时间序列预测的新方法。时间卷积和长短时记忆机制的集成解决了特征提取时局部和长期的权衡问题,对深度学习在金融预测领域应用效果的提高有较为重要的意义。; 崔笑宁苏丹华尚维; 关键词：情感分析情感词典股票指数预测

新质生产力股票指数的设计与应用: 2024年; 本文通过综合考量研发投入、生产效率、环境影响及社会责任等多个维度的指标,选取了在A股、港股上市的50家具备显著新质生产力特征的上市公司,并据此构建了一个活跃交易、规模可观且适合投资的新质生产力股票指数。该指数旨在通过评估企业的新质生产力水平来衡量这些企业长期盈利能力与股价表现。在权重分配方面,本研究结合了主成分分析法、熵值法和市值法,不仅考量了公司的现有市值,更侧重于由新质生产力带来的长期增长潜力的积累。对历史数据进行回溯测试的结果显示,基于新质生产力特征构建的股票指数总体表现优于传统市值加权指数,展现出更高的收益率和更低的波动性。这一发现凸显了新质生产力对于企业高质量发展的关键作用。尤其是在快速变化的市场环境中,企业若能以提升自身的新质生产力为基石,通过技术创新和资源优化配置,将有望增强市场竞争力并获得更高的财务回报。因此,投资者可以将新质生产力作为选股的重要参考,通过投资拥有高水平新质生产力的企业,获得更佳的投资回报。; 肖玉强程实张弘顼周烨徐婕; 关键词：股票市场投资组合

相关作者