计算机论文哪里有？本文主要研究了基于深度学习的混合模型在股票收盘价预测方面的应用，并根据预测结果制定相应的交易策略。
1 绪论
1.2 国内外研究现状
1.2.1 股票价格预测模型
作为一个金融和计算机科学交叉领域的经典问题，股票市场预测吸引了经济学、金融工程、统计学、运筹学和机器学习等多个学科领域研究者的关注。然而，股票市场非线性、高噪声和不稳定性以及需要考虑的外界因素如国家的经济政策，金融组织的投资策略，疫情爆发以及投资者的情绪等使得金融时间序列的预测变得十分困难。早期股票预测方法主要基于统计学和经济学知识对股票价格进行分析，常用的模型有：指数平滑模型（Exponential Smoothing，ES）、自回归移动平均模型（Autoregressive Integrated Moving Average Model，ARIMA）[15] 和广义自回归条件异方差法（Generalized Autoregressive Conditional Heteroskedasticity，GARCH）[16]。统计学的自回归模型因其特征单一在计算效率上有一定优势，但模型过于简单且输入维度低限制了其对非线性、非平稳金融时序序列的建模能力以及对异常数据的抗干扰能力[17]。
随着科技的日新月异，计算机和存储设备性能的显著提升推动了机器学习的快速发展[18]。在计算机视觉领域，将图像的特征与现有样本的特征进行匹配，以描述图像内容，达到识别效果[19]。在自然语言处理领域，有价值的东西被从文本中提取出来，转化为原始数字形式并被识别[20]。神经网络被广泛应用于模式识别[21]、信号处理[22] 等领域，并取得了令人印象深刻的成果。相比于统计学模型，机器学习算法无需任何先验假设便能直接建立输入数据之间的非线性映射。研究人员运用深度学习方法分析和预测金融时间序列，并根据预测结果来制定投资策略，从而赚取可观的收入。
3 基于CNN-GRU-AM模型的股票价格预测研究
3.3 股票价格预测框架描述
构建出股票价格预测整体框架，由三个相互独立但又紧密相连的部分构成：数据集构建、模型训练预测以及量化回测。这种模块化的架构有助于提升实验的灵活性和可维护性，同时降低了不同系统组件之间的耦合度，使得整个实验流程更加高效和稳定。图3-1描述了整体预测框架。
首先，数据集构建是整个预测框架的基石。通过爬虫技术从东方财富网获取到股票的历史交易数据，并进行预处理操作来生成模型输入数据。其次，为模型CNN-GRU-AM的训练和预测部分。混合模型经过训练，不断优化其参数，从而能够精确地捕捉股票价格中的潜在规律和趋势，最终实现对未来股票价格的预测。最后是量化回测部分。本文所选用的量化回测框架为Backtrader。相较于量化交易平台直接提供的回测框架，采用拓展性更强的开源回测框架能够更灵活地添加所需的股票特征数据，从而为后续实盘交易提供了更多的可能性。Backtrader是强大的量化回测框架，易用且专注策略设计，无需构建基础框架，适用于多种交易策略和市场环境。
4 基于深度学习预测的交易策略研究
4.2 基于深度学习的交易策略设计
4.2.1 策略构建思路
量化交易策略的建立与回测是一个系统性的完整流程，涵盖以下三个方面：
第一，将策略思想转化为计算机可执行程序的过程。这过程既要考虑那些主观上较为复杂、难以直接量化的因素，也要将交易流程中的每一个关键要素转化为计算机语言，确保策略逻辑的精准实现。此外，合理设定交易周期、精确界定入场与出场条件，以及巧妙运用风险管理和资金控制策略来制定止盈与止损标准，都是确保策略有效执行与风险可控的重要环节。
第二，实施回测是验证策略有效的一个必不可少的过程。回测不仅是验证策略在实际成交环境中有效性的关键步骤，也基于统计学的坚实基础，即测试范围的扩大与数据量的累积能够显著提升回测结果的可靠性。尽管历史数据为投资者提供了宝贵的参考视角，但要真正评估决策的实际效能，还需结合实时市场行情，综合考量收益率、最大回撤率等关键指标，进行动态分析与调整，以确保策略能灵活适应市场变化。因此，交易策略必须通过真实市场条件检验与历史数据回测的双重考验，方能稳健地应用于实际投资中。
4.3 传统交易策略研究
4.3.1 买入并持有策略
买入并持有策略是投资领域中最为普遍和基础的交易策略之一。在这种策略下，投资者在量化回测的起始阶段选择并买入股票，随后在整个回测期间内持续持有这些股票，不进行任何中途的买卖交易。直到回测时间的最后一天，投资者才将所有持有的股票卖出，从而评估整个投资期间的收益情况。这种策略强调长期持有和避免频繁交易，以降低交易成本和市场波动对投资收益的影响。
4.3.2 SMA策略
SMA策略是一种基于简单移动平均线（Simple Moving Average，SMA）的交易策略。SMA是通过对一定时间内的收盘价进行算术平均计算得出的，它能够反映股价在一段时间内的平均水平，从而帮助投资者判断市场的趋势和价格走势。
在SMA策略中，投资者通常会选择两个不同周期的SMA线，例如5天短期SMA和30天长期SMA，并根据它们的交叉情况来制定买卖决策。在本文中，当短期SMA线上穿长期SMA线时，形成金叉，此时执行买入操作；而当短期SMA线下穿长期SMA线时，形成死叉，此时执行卖出操作。在长短期SMA线不符合上述相交条件的交易日不进行买卖。
5 总结与展望
5.2 未来展望
关于股票价格趋势的预测研究，本文基于深度学习所提出的混合模型存在有待提升的空间。未来的研究工作计划从以下几个方向进行深入探索，以期进一步提升预测性能：
（1）本文仅利用了股票的历史数据和技术指标特征对模型进行训练。未来的研究工作将围绕股票的基本面指标，如营收增长率（Revenue Growth Rate）、资产负债率（Debt-to-Equity Ratio）和股东权益回报率（Return on Equity）等，进一步完善股票特征体系。现有论文中的模型和策略主要基于历史数据的离线测试，未来将着重于实时数据流的处理和预测，从而评估模型在实际交易环境中的表现。
（2）本文采用网格搜索法确定了模型在指定区间内的最佳超参数。未来的研究可以考虑引入遗传算法或粒子群算法等更先进的参数优化方法，进一步提升模型的稳定性和性能。
（3）本文研究对象是中国A股市场的30只代表性股票。在未来的研究中，考虑将各行业领域的大型上市公司作为实验对象，进一步扩充实验数据，进而说明模型的适用性。
参考文献（略）
