利用深度学习预测股票涨跌：A+H股实证分析

摘要

随着中国大陆与香港金融往来频繁，更多人投入对H股市场的分析工作中。但若从现有研究结果来看，研究还并不全面。所谓A+H股就是指不仅以A股的身份在内陆地区的上交所或深交所上市，且以H股身份在香港地区的相应交易所上市。A+H股的价格不仅受外在的经济政治大背景影响，还与人为操纵类事件、投资者整体的心理素质、学识水平密切相关。A+H股其学术问题还有待学者各角度的深入分析，才能揭开其神秘面纱。在全球化的今天，越来越多的大陆公司选择在香港推出H股，因此选择对A+H股分析确实能为解决现实问题带来帮助。
　　深度学习是在机器学习的基础之上，通过多个隐含层增强学习能力，使特征得到更好的表达，大大提升模型预测准确率。2016年，谷歌AlphaGo人工智能在围棋竞赛中打败享誉全球的围棋优胜者之一的李世石，且优势明显，引起人们火热关注，深度学习瞬间在各种领域引起热潮，其中包括金融数据预测，本文将深度学习应用于A+H股研究中。
　　本文选择恒生国企指数40只成分股中的8只银行股进行分析，按照股票编号先后顺序，依次是建行(601939.SH，0939.HK)、中信行(601998.SH，0998.HK)、农行(601288.SH，1288.HK)、工行(601398.SH，1398.HK)、民生行(600016.SH，1988.HK)、交行(601328.SH，3328.HK)、招行(600036.SH，3968.HK)、中行(601988.SH，3988.HK)。首先对数据进行描述，刻画数据的同时描述A+H股发展历史和现有状态，在对数据了解后进行模型选择，模型为循环神经网络RNN与其基础上发展起来的长短期记忆神经网络LSTM，通过模型对A股、H股涨跌值进行预测，详细刻画预测结果，并反思研究结果将模型进一步修正。针对改进后的模型重新对原有数据预测，比较模型改进前后的变化，从而比较A股H股同异以及预测模型在哪个市场效果更好。

目录

声明

摘要

符号说明

第1章 绪论

§1．1 研究背景与意义

§1．2 行文结构

§1．3 论文框架

第2章 国内外文献综述

§2．1 A股H股差异研究

§2．2 股价预测中的神经网络

第3章 股价预测中的理论概述

§3．1 感知机算法

§3．2 BP算法

§3．3 循环神经网络

§3．4 长短期记忆模型

第4章 数据与实证研究结果

§4．1 样本选取与数据来源

4．1．1 银行数据描述

4．1．2 小结

§4．2 研究方法和步骤

4．2．1 银行涨跌值预测分析

4．2．2 小结

第5章 模型改进与结果分析

§5．1 模型效果影响因素分析

§5．2 实证研究结果与分析

5．2．1 银行涨跌值预测分析

5．2．2 小结

第6章 结论

§6．1 本文总结

§6．2 论文的创新和不足之处

§6．3 投资与政策建议

§6．4 研究展望

参考文献

致谢

附录