导读:本文包含了黄金价格预测论文开题报告文献综述及选题提纲参考文献，主要关键词:黄金期货,网络爬虫,文本处理,网络分析
黄金价格预测论文文献综述
王瑞[1]（2019）在《基于文本网络的黄金价格预测应用》一文中研究指出大数据时代的到来,使得互联网中数据体量巨大,数据类型丰富,其中网络中绝大多数的数据均为非结构化数据。在非结构化数据中,文本与音频、视频及图片相比,其信息价值及性价比都是相对较高的。网络文本数据中,新闻资讯作为大众获取信息的主要来源,随处可见。近些年,利用传统的结构化数据已逐渐满足不了研究需求,开始出现对如新闻文本等非结构化数据的分析和挖掘。在文本数据中,词与词之间存在着强弱不同的语义关联,本文采用的研究方法是将其转化为文本语义网络进行后续分析,利用网络信息来进行模型预测。在理论应用上,本研究将整套方法创新性地推广到金融投资领域,选取黄金期货价格相关新闻作为实验对象。在金融投资市场,黄金期货作为一种成熟的黄金衍生品,备受投资者的青睐,其价格的变动影响着投资者的决策,同时也是投资者关注的焦点。因此,预测黄金价格成了学术界近几年的热门研究课题。本文主要基于爬取到的黄金期货相关的新闻文本进行探索性分析,以利用非结构化的新闻文本数据来预测黄金期货价格为研究目标,一方面可将无法评估量化的关键词作为变量加入模型中,增强模型的可解释性,另一方面对关键词构成的加权文本网络进行分析,进一步将网络信息加入预测模型中,有助于模型的预测。其中具体的研究内容如下:首先,基于Python爬虫技术从网络中爬取了近9年与黄金期货相关的新闻,和对应时间段内的黄金期货价格;接着,基于R软件文本挖掘方法,对爬虫得到的文本数据进行清洗等预处理,通过文本分析将新闻文本处理成文本词汇矩阵;进一步,基于WGCNA算法,利用文本词汇矩阵进行加权网络分析,探究网络的性质和结构,分析网络性质随时间的动态变化,并利用Gephi软件将网络结构可视化地呈现出来;最后,本研究用加入文本网络信息的SGLS-Logistic模型来预测黄金期货价格跌涨,并将其与Lasso-Logistic、MCP-Logistic模型作比较,证明其分类效果更优。(本文来源于《太原理工大学》期刊2019-06-01）
刘洋[2]（2019）在《深度学习在黄金期货价格预测中的应用研究》一文中研究指出黄金期货作为贵金属交易市场中的一个交易品种,不论对国家、机构还是个人投资者而言,都是必不可少的投资理财工具,对其进行价格预测,具有重要的现实意义。本文分析了黄金期货难以预测的原因,影响黄金期货变化的因素太多,每个时刻有多少因素在发挥作用未知,人们的情绪对市场的影响也不确定,所有因素的合力时刻在变化。想要对这样一个受多方面因素影响的非线性非稳定时间序列进行准确预测非常的困难。黄金期货的价格受到石油、美元、股票以及经济政策和突发事件等众多因素的影响,为了预测的准确尽可能的将它们加入到预测模型中。对于投资者,众多技术指标也是常用的买卖决策依据,因此本文也选取其中具有代表性的指标(MACD、KDJ、RSI、MFI)加入到预测模型中。具有记忆能力的循环神经网络,符合黄金期货价格会受到过去环境影响的实际情况,因而非常适合被用在黄金期货价格的预测问题上。得益于神经网络的快速发展,循环神经网络的变体LSTM和GRU解决了循环神经网络无法解决长期依赖的问题,本文试图使用它们建立模型来预测COMEX黄金期货的价格。本文先分别使用浅层BP神经网络、LSTM神经网络和GRU神经网络、ARIMA模型,基于金价相关数据(开盘价、收盘价、交易量、涨跌幅、最高价、最低价)对黄金期货的价格进行预测。之后设计基于GRU的深度神经网络,通过充分的训练和调优,使用前10天的金价相关数据以及据此计算出的技术指标,加上金价的重要影响因素作为训练时的数据特征,对第11天的黄金期货收盘价涨跌幅度进行预测,最终模型的预测准确率为61%。对比未将众多影响因素纳入数据特征的浅层神经网络,最终模型获得了更好的预测效果,具有一定的创新性,也再次证明了深层循环神经网络模型在金融预测上的有效性,且预测的具体涨跌幅度可以为投资者提供参考,具有一定的实用价值。(本文来源于《湖北工业大学》期刊2019-05-01）
陈晓珊,田良辉,韩晓茹[3]（2018）在《黄金价格预测分析与研究》一文中研究指出分析可能会对黄金价格产生影响的相关因素,如美元指数、原油价格、股票市场等。利用神经网络模型和ARMA的有机结合,实现对黄金价格的预测,最后对预测的结果同实际数据进行对比、检验。此外,根据已建立的预测模型及所得的结论,给出了一些与黄金相关的衍生品的交易建议。(本文来源于《佛山科学技术学院学报(自然科学版)》期刊2018年04期）
李超[4]（2018）在《混沌时序黄金期货价格预测研究》一文中研究指出由于经济时序本身受到各方面因素的综合影响,使其具有混沌性,一种难以预测非线性系统。我国黄金期货(AU.SHF)价格便为其中之一。基于这种特性,衍生出两种预测方法。第一种对时序进行相空间重构,接着采用非线性模型加以预测,例如神经网络。第二种基于误差补偿思想构建线性与非线性混合模型,利用线性模型ARIMA(自回归滑动平均模型)估计线性成分,残差表现混沌性,再用第一种方法对前面误差进行估计,用以修正ARIMA估计的误差。针对时序相邻数据之间相关性性质,且同时体现线性和非线性成分,提出ARIMA和LSTM(长短记忆神经网络)混合模型ARIMA-LSTM。根据前面两种建模方法分别设计叁组试验,ARIMA-LSTM为其中一种。实证分析对象为AU.SHF日收盘价,实证研究结果表明:(1)我国黄金期货价格具有混沌性。(2)以上两种建模思路均能获得较理想建模结果,都显着优于传统的ARIMA模型。(3)基于误差补差思想和相空间重构技术的混合模型建模效果显着更优,特别是ARIMA-LSTM混合模型。(本文来源于《暨南大学》期刊2018-06-30）
陈鹏,李星野[5]（2018）在《基于ARFIMA-GARCH模型族的黄金价格预测分析》一文中研究指出本文针对黄金价格的长记忆性进行实证研究,利用Hurst指数来证实黄金价格中确实存在显着的长记忆性。以此对黄金价格的收益率进行分数差分后,再建立ARFIMA-GARCH模型族,从而反映了黄金收益率序列的波动聚集性。通过对不同模型的误差绝对值对比,选取出最能体现黄金价格序列动态特征的模型。实证结果表明,该类模型能够很好的反映黄金价格的波动规律,能够给投资者提供决策意见。(本文来源于《电子商务》期刊2018年05期）
王刚[6]（2017）在《基于经验模态分析的国际黄金价格预测模型研究》一文中研究指出在全球经济、金融一体化的今天,金融市场不断呈现出很多经典金融理论无力解释的复杂现象,主要表现为:金融市场不再是有效市场假说描述下的理想市场,金融市场呈现出的高智能性、强相关性、紧耦合性使它成为一个复杂的非线性动力系统。构建预测模型对这样一个复杂的非线性动力系统进行描述,揭示金融时间序列运行的内在规律,并在世人面前展示它的演化机制,方便人们防范金融风险、管理市场和监督市场,毫无疑问都具有重大的现实意义和理论价值,这也是本文研究的意义和背景所在。来自NASA的黄锷等提出一种新的信号分析方法——经验模态分解(Empirical Mode Decomposition,EMD)。经验模态分解方法无需提前设定基函数,按照时间序列自身的尺度特征分解时间序列。而应用傅里叶变换时,谐波基函数需要预先设定,小波变换需要预先设定小波基函数。经验模态分解方法在傅里叶变换和小波变换的基础上进一步改进了分解后时间序列的局部特征,是一种更有效的数据挖掘预处理算法。由于经验模态分解方法具有这些处理数据的良好特性,任何类型的信号理论上都可以用经验模态方法分解,因而对非线性非平稳多尺度特征的数据进行信号处理具有非常明显的优势。所以,经验模态分解方法提出之后不久就迅速有效地应用到多个工程领域中。本文创造性地引入互相关系数作为经验模态分解的终止条件,解决了现有模型中难以确定分解次数的难题。本文正是基于改进的EMD分解方法建立了一个新的组合预测模型:FEPS模型(FTS-EMD-PSO-SVR)。该模型基于金融时间序列经验模态分解(Financial Time Series、Empirical Mode Decomposition,FTS-EMD)、粒子群算法(Particle Swarm Optimization)和支持向量回归机(Support Vector Regression)模型,针对非线性、非平稳、多尺度的复杂金融时间序列建模和预测,预测上海现货黄金交易价格,实证研究了这一金融市场研究中的热点领域。本文提出的组合预测模型是基于分解—预测—重构的思想,有效地提高了模型对金融时间序列的预测精度与可靠性(命中率)。本文选择上海现货黄金作为实证市场与数据,建立了ARIMA、GARCH、BPNN、EMD-BPNN、SVR、EMD-SVR和FEPS七个预测模型,对收盘价的短期运行趋势做出预测。实证结果表明(1)EMD-BPNN、EMD-SVR、FEPS模型比ARIMA、GARCH、BPNN、SVR模型有更好的预测效果,这说明对非线性非平稳的金融时间序列进行先分解后组合的预测方法能有效地改进预测精度,而且引入EMD方法可以有效解决误差序列随机性强、相邻频带的干扰可能造成误差序列无法体现反映全部时间序列信息的缺陷。(2)本文新提出的FEPS模型比EMD-BPNN和EMD-SVR模型又有所改进,这说明粒子群算法通过通过追随当前搜索到的最优值来寻找全局最优能有效地缩短训练时间,改进预测精度。本文研究提出的预测模型可以为我国针对目前国际黄金价格市场所呈现的波动特征下的市场价格预测提供新的方法和借鉴。(本文来源于《上海师范大学》期刊2017-12-01）
曹旭[7]（2017）在《基于SVM的黄金价格预测模型及其参数优化》一文中研究指出2016年以来伴随着全球经济的复苏大宗商品结束了连续5年的熊市,市场交易量逐渐增大,市场逐渐活跃,重新回到投资者的配置资产中。CTA策略近两年的不凡表现以及机器学习的崛起,让研究者、投资者对机器学习应用到大宗商品交易产生了很大的兴趣。本文基于机器学习中的支持向量机模型,选取大宗商品中金融属性最强的黄金,对黄金的价格进行预测,并初步尝试构建一个择时策略。本文共分为五个部分:第一部分是绪论部分,描述了支持向量机预测黄金价格模型的实际意义以及整个文章研究的方法和论述侧重点;第二部分,对黄金品种的属性和功能进行了阐述,基于此分析了影响黄金价格的主要因素,最后结合实际意义、相关性分析以及格兰杰因果检验选取了其中7个影响因素作为支持向量机建模用的特征因子。本文的第叁部分是文章核心,首先介绍了 SVM算法的基本原理及应用,并给出了实现算法流程,然后介绍了优化SVM参数的网格搜索法和粒子群优化算法的基本原理及实现算法,第叁章基于MATLAB基于上述原理算法对黄金价格进行了预测,并以最小化MSE为目标优化了 SVM模型中的惩罚项参数以及核函数中的参数;第四章基于第叁章预测黄金价格的SVM模型,初步构建了一个择时交易策略,并给出在回测样本中的回测结果。第五章,对文中模型的不足和创新点进行了总结,最后结合全文对模型以及优化结果进行了简要评价,对后续进一步研究做了展望和指明了方向。本文中涉及的数据均来自Bloomberg客户端,数据处理和模型实现基于MATLAB 软件。(本文来源于《山东大学》期刊2017-04-20）
骆双骏[8]（2017）在《基于深度学习的黄金期货价格预测》一文中研究指出黄金期货作为交易市场上的一个投资品种,不管从套期保值方面,还是从维护金融稳定等方面来讲,其作用显得越来越重要,对其价格的预测也极具现实意义.当前,对于黄金期货价格的研究主要集中在市场波动性,与其他金融工具价格的联动性以及基于不同模型的预测等方面.需要指出的是,黄金期货价格变动是一个非常复杂的非线性动力系统,如果采用传统计量经济学模型的预测方法,通常存在着各种困难,并且浅层的神经网络在预测期货价格方面,也存在着诸多的限制和不足.然而,深度学习作为近年来机器学习的一个新的研究领域,能很好地刻画各种高度非线性的变化,在量化投资、风险控制等方面取得了良好的表现,对人工智能在金融领域的应用也起到了极大地推动作用.所以,本文试图应用长短期记忆模型和门限循环单元模型这两种对之前信息具有"记忆力"的深度学习模型来预测COMEX黄金期货价格.(本文来源于《兰州大学》期刊2017-04-01）
黄泽鹏[9]（2017）在《基于深度学习的黄金价格预测建模与应用》一文中研究指出2016年以来,黑天鹅事件频发,全球金融市场波动剧烈,黄金成为投资者首选的避风港。因此,对黄金价格进行预测研究具有重要意义。本文以2010年至2016年的纽约Comex黄金期货为研究对象,建立预测黄金价格的深度学习模型。通过对黄金市场进行理论分析与实证检验,我们发现黄金价格是一种对外部市场极其敏感的非平稳时间序列,一般的时序模型和浅层学习模型都不能较好抓住其变化特点。因此,我们首先筛选出布伦特原油价格、高盛商品指数、美元指数、美国10年期国债实际利率等影响黄金价格的外部因素作为模型输入变量。其次,考虑到黄金价格时间序列的非线性动态特征,我们选择带有延迟算子承接层结构的Elman神经网络进行建模,双隐层等多层网络结构设置对黄金价格的复杂变化性刻画效果较好。进一步,我们还将滞后变量加入输入层中,构建出“带记忆”的黄金价格深度学习模型。实证验算结果显示,本文模型的学习预测效果明显比传统模型要好,且在不同数据集上具有泛化性。最后,我们尝试性地根据模型预测结果制定量化投资策略,在投资实践中获取超额收益,使模型更具有实用价值。(本文来源于《上海交通大学》期刊2017-01-01）
宁艳艳,方小艳,张延利[10]（2016）在《基于等维积分GM(1,1)模型的黄金价格预测》一文中研究指出GM(1,1)模型是灰色系统中最常用的一种模型,该模型采用的建模数据量小,对数据分布特征无特殊要求,应用较为广泛。利用数值积分原理将GM(1,1)模型中累加生成法改为积分生成法,并用双向差分结合等维动态预测原理,建立了等维积分GM(1,1)模型。该模型在预测过程中不断将旧信息剔除,增加新信息进入,实现了数据的及时更新,提高了预测精度。(本文来源于《黄金》期刊2016年07期）
黄金价格预测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
黄金期货作为贵金属交易市场中的一个交易品种,不论对国家、机构还是个人投资者而言,都是必不可少的投资理财工具,对其进行价格预测,具有重要的现实意义。本文分析了黄金期货难以预测的原因,影响黄金期货变化的因素太多,每个时刻有多少因素在发挥作用未知,人们的情绪对市场的影响也不确定,所有因素的合力时刻在变化。想要对这样一个受多方面因素影响的非线性非稳定时间序列进行准确预测非常的困难。黄金期货的价格受到石油、美元、股票以及经济政策和突发事件等众多因素的影响,为了预测的准确尽可能的将它们加入到预测模型中。对于投资者,众多技术指标也是常用的买卖决策依据,因此本文也选取其中具有代表性的指标(MACD、KDJ、RSI、MFI)加入到预测模型中。具有记忆能力的循环神经网络,符合黄金期货价格会受到过去环境影响的实际情况,因而非常适合被用在黄金期货价格的预测问题上。得益于神经网络的快速发展,循环神经网络的变体LSTM和GRU解决了循环神经网络无法解决长期依赖的问题,本文试图使用它们建立模型来预测COMEX黄金期货的价格。本文先分别使用浅层BP神经网络、LSTM神经网络和GRU神经网络、ARIMA模型,基于金价相关数据(开盘价、收盘价、交易量、涨跌幅、最高价、最低价)对黄金期货的价格进行预测。之后设计基于GRU的深度神经网络,通过充分的训练和调优,使用前10天的金价相关数据以及据此计算出的技术指标,加上金价的重要影响因素作为训练时的数据特征,对第11天的黄金期货收盘价涨跌幅度进行预测,最终模型的预测准确率为61%。对比未将众多影响因素纳入数据特征的浅层神经网络,最终模型获得了更好的预测效果,具有一定的创新性,也再次证明了深层循环神经网络模型在金融预测上的有效性,且预测的具体涨跌幅度可以为投资者提供参考,具有一定的实用价值。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
黄金价格预测论文参考文献
[1].王瑞.基于文本网络的黄金价格预测应用[D].太原理工大学.2019
[2].刘洋.深度学习在黄金期货价格预测中的应用研究[D].湖北工业大学.2019
[3].陈晓珊,田良辉,韩晓茹.黄金价格预测分析与研究[J].佛山科学技术学院学报(自然科学版).2018
[4].李超.混沌时序黄金期货价格预测研究[D].暨南大学.2018
[5].陈鹏,李星野.基于ARFIMA-GARCH模型族的黄金价格预测分析[J].电子商务.2018
[6].王刚.基于经验模态分析的国际黄金价格预测模型研究[D].上海师范大学.2017
[7].曹旭.基于SVM的黄金价格预测模型及其参数优化[D].山东大学.2017
[8].骆双骏.基于深度学习的黄金期货价格预测[D].兰州大学.2017
[9].黄泽鹏.基于深度学习的黄金价格预测建模与应用[D].上海交通大学.2017
[10].宁艳艳,方小艳,张延利.基于等维积分GM(1,1)模型的黄金价格预测[J].黄金.2016