本文是一篇投資分析論文，本文利用百度搜索指數(shù)刻畫投資者關(guān)注，并將該指標(biāo)納入人民幣匯率預(yù)測當(dāng)中；構(gòu)建了考慮投資者關(guān)注的深度學(xué)習(xí)預(yù)測模型；研究了LSTM和GRU模型最優(yōu)的網(wǎng)絡(luò)層數(shù)和單元數(shù)個(gè)數(shù)，并且對投資者關(guān)注的穩(wěn)健性進(jìn)行了分析，提供了最適宜的用于預(yù)測人民幣匯率的深度學(xué)習(xí)模型結(jié)構(gòu)；
第一章緒論
第一節(jié)研究背景與意義
一研究背景

投資分析論文怎么寫

外匯市場是最活躍金融市場之一，分布于世界各地，具有交易量大、流動(dòng)性強(qiáng)的特點(diǎn)。匯率本身是貨幣的價(jià)格，是一個(gè)國家對外交易的紐帶，同時(shí)也是外匯市場最重要的經(jīng)濟(jì)指標(biāo)之一。1984年我國提出經(jīng)濟(jì)體制改革的目標(biāo)，外匯市場開始產(chǎn)生并發(fā)展。1985年，我國成立了國內(nèi)第一家外匯調(diào)劑中心，開始辦理外匯調(diào)劑業(yè)務(wù)。1994年，我國開始了外匯管理體制改革之路，將外匯市場由國家調(diào)控為主轉(zhuǎn)向了以市場決定為主。2005年，我國開始實(shí)行浮動(dòng)匯率制度，因此在一定程度上釋放了當(dāng)時(shí)積累的通貨膨脹壓力，提高了人民幣地位。2015年，順應(yīng)供給側(cè)結(jié)構(gòu)性改革，人民幣對美元匯率報(bào)價(jià)機(jī)制調(diào)整為以“收盤價(jià)+籃子匯率”的為準(zhǔn)的中間價(jià)報(bào)價(jià)模式。之后的5年內(nèi)，人民幣通過加入特別提款權(quán)，改革形成機(jī)制，在國際市場的地位和透明化程度不斷提升?？偠灾?，貨幣當(dāng)局對匯率的干預(yù)越來越少，人民幣的雙向波動(dòng)也變得越來越頻繁，朝著市場化進(jìn)程不斷邁進(jìn)。
過去三年，中國與世界經(jīng)濟(jì)的聯(lián)系仍舊緊密，人民幣成為了全球第五大支付貨幣。但人民幣長期交替處于升值和貶值壓力階段，加上外匯市場依然不夠完善，導(dǎo)致外匯風(fēng)險(xiǎn)較大。隨著我國金融市場的全面開放，匯率風(fēng)險(xiǎn)問題越來越受到學(xué)術(shù)界的重視。如果能夠找到合適的預(yù)測模型對匯率進(jìn)行預(yù)測，就能夠通過針對性的經(jīng)濟(jì)活動(dòng)引導(dǎo)匯率市場健康運(yùn)行，為我國經(jīng)濟(jì)發(fā)展提供正確的指導(dǎo)。
一直以來，金融行業(yè)對金融時(shí)間序列數(shù)據(jù)的成功預(yù)測十分關(guān)注，特別是資產(chǎn)價(jià)格預(yù)測，如股票價(jià)格、股票指數(shù)、外匯、石油、黃金等價(jià)格預(yù)測。自計(jì)算機(jī)普及開始，金融行業(yè)就在尋找能夠精準(zhǔn)預(yù)測匯率的方法，預(yù)測模型從傳統(tǒng)計(jì)量模型向深度學(xué)習(xí)模型轉(zhuǎn)變，從單一模型向組合模型過渡。傳統(tǒng)計(jì)量模型屬于線性預(yù)測模型，由于其無法反映金融變量之間交互作用帶來的維度問題，所以難以從大量的信息中得到關(guān)鍵信息。近年來深度學(xué)習(xí)技術(shù)的發(fā)展為預(yù)測經(jīng)濟(jì)問題提供了新思路。深度學(xué)習(xí)模型在不需要人工提取數(shù)據(jù)特征的情況下，通過將各種金融問題轉(zhuǎn)換為學(xué)習(xí)表示問題，可以充分的挖掘數(shù)據(jù)背后的信息。門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)模型是較為流行的深度學(xué)習(xí)模型之一。
..............................
第二節(jié)研究內(nèi)容與框架
本文以深度學(xué)習(xí)為理論依據(jù)，系統(tǒng)地研究了考慮投資者關(guān)注的人民幣匯率預(yù)測方法。在對投資者關(guān)注的概念界定和對投資者關(guān)注與匯率的關(guān)系、匯率預(yù)測方法相關(guān)研究綜述的基礎(chǔ)上，探討了投資者關(guān)注的常用的度量指標(biāo)。利用主成分分析方法，對百度搜索指數(shù)獲取的與投資者關(guān)注有關(guān)的匯率關(guān)鍵詞進(jìn)行篩選，確定了度量投資者關(guān)注的量化指標(biāo)。進(jìn)而，將ARIMA模型與深度LSTM模型相結(jié)合，構(gòu)建了考慮投資者關(guān)注的人民幣匯率的ARIMA-LSTM預(yù)測模型。同時(shí)，利用深度GRU模型處理匯率序列數(shù)據(jù)的優(yōu)越性，構(gòu)建了考慮投資者關(guān)注的深度GRU匯率預(yù)測模型。最后，選取2018年1月至2021年6月美元兌人民幣匯率中間價(jià)的開盤價(jià)、最高價(jià)、最低價(jià)、收盤價(jià)和匯率的投資者關(guān)注五個(gè)指標(biāo)的交易日數(shù)據(jù)，對考慮投資者關(guān)注的人民幣匯率預(yù)測模型進(jìn)行實(shí)證分析，對比分析的結(jié)果顯示了不同預(yù)測模型的效果與優(yōu)勢。
本文的研究內(nèi)容共分為五章，具體研究內(nèi)容如下：
第一章緒論首先對本文的研究背景和研究意義進(jìn)行描述，分析了匯率預(yù)測對個(gè)體投資者、機(jī)構(gòu)投資者的交易及國家金融政策制定的重要意義和實(shí)用價(jià)值。然后，列出了本文的主要研究內(nèi)容和框架，并指出了本文的研究特色與創(chuàng)新之處。
第二章相關(guān)概念與文獻(xiàn)綜述本章首先對匯率的預(yù)測方法進(jìn)行總結(jié)，按照計(jì)量方法到淺層機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)方法的順序進(jìn)行概述。然后對國內(nèi)外關(guān)于投資者關(guān)注與匯率時(shí)間序列的研究的現(xiàn)狀進(jìn)行闡述分析，同時(shí)對投資者關(guān)注的度量進(jìn)行描述。本章的研究為本文提供了理論分析基礎(chǔ)，為后續(xù)章節(jié)提出匯率預(yù)測模型做鋪墊。
第三章考慮投資者關(guān)注的人民幣匯率預(yù)測模型首先介紹了我國常用的投資者關(guān)注指標(biāo)的選擇方法。其次，通過百度指數(shù)獲取投資者關(guān)注的初始預(yù)測指標(biāo)，經(jīng)過主成分分析法對這些指標(biāo)進(jìn)行篩選，確定了度量投資者關(guān)注的量化指標(biāo)。進(jìn)而，構(gòu)建了考慮投資者關(guān)注的ARIMA-LSTM組合預(yù)測模型和GRU預(yù)測模型。
......................
第二章相關(guān)概念與文獻(xiàn)綜述
第一節(jié)投資者關(guān)注的概念與相關(guān)研究
投資者關(guān)注是投資者對某一信息的關(guān)注程度，是從投資者的整體角度出發(fā)的概念。投資者關(guān)注對個(gè)人和群體投資決策都起著重要的作用。由于投資者關(guān)注是抽象的，難以直接獲取，所以對投資者關(guān)注指標(biāo)的度量方法不盡相同。投資者關(guān)注指標(biāo)大體上可以分為直接指標(biāo)和間接指標(biāo)。相比于間接指標(biāo)，直接指標(biāo)直觀易得，更能及時(shí)反映投資者的關(guān)注。
一投資者關(guān)注的概念
（一）行為金融學(xué)理論
傳統(tǒng)金融學(xué)理論支持有效市場假說，認(rèn)為投資者能接收到市場表示出的所有信息，具有初步認(rèn)識和深入理解市場信息的完全能力。假設(shè)不考慮搜尋信息的時(shí)間成本、渠道成本和相關(guān)耗費(fèi)成本，投資者可以對不確定性事件進(jìn)行合理估計(jì)。并且，當(dāng)投資者接收到新信息時(shí)，能按照理性法則來正確地調(diào)整自己的投資決策重點(diǎn)，從而做出最優(yōu)交易決策?？傊瑐鹘y(tǒng)金融學(xué)認(rèn)為投資者足夠理性，能夠利用和處理全部的市場信息進(jìn)行最佳的決策。
但是在現(xiàn)實(shí)中，投資者不是完全的理性人，受限于自身教育經(jīng)歷等原因，投資者受到外界信息的刺激越多，處理信息的能力就越有限。同時(shí)投資者具有社會屬性，容易受到周圍社會關(guān)系網(wǎng)絡(luò)的影響，產(chǎn)生非理性認(rèn)知。而且現(xiàn)實(shí)中并非所有信息都是結(jié)構(gòu)化的，所以傳統(tǒng)金融學(xué)的研究前提并不完全適用于現(xiàn)存的市場信息。行為金融學(xué)認(rèn)為信息并不全會引起投資者的足夠關(guān)注，從投資者本身這一角度解釋市場行為的表現(xiàn)，將投資者心理等因素納入到分析的框架中[1]。行為金融學(xué)認(rèn)為當(dāng)投資者將有限的關(guān)注分配到某項(xiàng)資產(chǎn)上時(shí)，該項(xiàng)資產(chǎn)價(jià)格會受其影響而產(chǎn)生波動(dòng)。
.................................
第二節(jié)匯率預(yù)測方法
隨著技術(shù)的提高，匯率的預(yù)測方法從最初的計(jì)量模型方法發(fā)展到淺層機(jī)器學(xué)習(xí)模型方法，進(jìn)而發(fā)展到深度學(xué)習(xí)模型方法。最初的計(jì)量模型能夠形成一個(gè)具體的表達(dá)式，對匯率時(shí)間序列數(shù)據(jù)的線性趨勢做出很好的預(yù)測。但是匯率本質(zhì)上不是線性的，具有非平穩(wěn)、高噪聲的特點(diǎn)，使得計(jì)量模型的預(yù)測能力受到了限制。淺層機(jī)器學(xué)習(xí)模型可以通過殘差逆向傳播對線性權(quán)函數(shù)進(jìn)行不斷調(diào)整，以此對匯率數(shù)據(jù)的復(fù)雜部分進(jìn)行更好的預(yù)測。然而，對于存在前后關(guān)聯(lián)的序列數(shù)據(jù)，淺層機(jī)器學(xué)習(xí)模型無法保存這一關(guān)聯(lián)的信息。深度學(xué)習(xí)模型的循環(huán)神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)結(jié)構(gòu)加入了循環(huán)技術(shù)，通過權(quán)值共享，能夠更好地對序列中相關(guān)的信息并進(jìn)行預(yù)測。循環(huán)技術(shù)可能導(dǎo)致神經(jīng)網(wǎng)絡(luò)預(yù)測時(shí)陷入局部最小值，為解決這一問題，LSTM和GRU加入了門控機(jī)制，能夠?qū)θ嗣駧艆R率進(jìn)行更好的預(yù)測。
一計(jì)量模型
人民幣匯率的自身價(jià)格隨著時(shí)間變化，本質(zhì)上是時(shí)序數(shù)據(jù)，屬于金融時(shí)間序列。因此，可以通過時(shí)間序列的歷史樣本構(gòu)建合適的模型。蔡宗武[22]認(rèn)為時(shí)間序列自身的信息預(yù)測比宏觀經(jīng)濟(jì)變量預(yù)測的準(zhǔn)確。從20世紀(jì)30年代起，就有學(xué)者對時(shí)間序列進(jìn)行預(yù)測研究。最初的方法主要是自回歸移動(dòng)平均模型（ARMA），自回歸條件異方差模型（GARCH），后新增了指數(shù)平滑法、季節(jié)系數(shù)法等，如今這些經(jīng)典計(jì)量方法已經(jīng)十分成熟。該類模型的原理都是通過縮小線性最小均方誤差來預(yù)測時(shí)間序列的。
最廣泛使用的經(jīng)典計(jì)量模型是差分整合移動(dòng)平均自回歸模型（ARIMA），該模型是一種考慮了差分的ARMA。ARIMA模型簡單靈活，著重分析經(jīng)濟(jì)時(shí)間序列本身所蘊(yùn)含的隨機(jī)性質(zhì)，是最受歡迎的計(jì)量模型之一。Rout[23]發(fā)現(xiàn)利用ARIMA模型特殊的差分處理方式能夠有效應(yīng)對數(shù)據(jù)冗余所帶來的預(yù)測不準(zhǔn)確的問題，能夠采取更合適的函數(shù)形式模擬匯率波動(dòng)。郭琨等人[24]通過ARMA模型和累積超常收益模型對匯率的適用性分析，對人民幣匯率進(jìn)行了短期預(yù)測，研究發(fā)現(xiàn)周期ARMA模型的預(yù)測結(jié)果更平穩(wěn)。自回歸條件異方差模型（ARCH），是Meese等人[25]1983年提出的，該模型可以避免同方差假設(shè)，以便處理數(shù)據(jù)方差時(shí)變性問題。廣義自回歸條件異方差(GARCH)模型是ARCH類模型中泛化能力較強(qiáng)的模型，也是目前最廣泛的非線性參數(shù)模型。非線性參數(shù)模型與ARIMA之類的參數(shù)模型的區(qū)別在于，其能對整個(gè)回歸函數(shù)進(jìn)行估計(jì)。戴曉楓等人[26]構(gòu)建了基于非線性參數(shù)模型和線性參數(shù)模型的匯率預(yù)測模型，對人民幣兌美元的日匯率值進(jìn)行了預(yù)測，結(jié)果顯示EGARCH模型能準(zhǔn)確地反映匯率的變動(dòng)趨勢。宋博等人[27]采用ARMA-GARCH模型對經(jīng)過分解處理后的人民幣匯率數(shù)據(jù)進(jìn)行預(yù)測，取得了良好的預(yù)測效果。
...............................
第三章考慮投資者關(guān)注的人民幣匯率預(yù)測模型...............16
第一節(jié)投資者關(guān)注的度量指標(biāo)...........................16
一常用的度量指標(biāo)...................................16
二匯率關(guān)鍵詞的百度指數(shù)....................18
第四章考慮投資者關(guān)注的預(yù)測模型實(shí)證研究.................34
第一節(jié)數(shù)據(jù)來源與處理.......................34
一數(shù)據(jù)來源...................................34
二數(shù)據(jù)處理...............................35
第五章結(jié)論與展望.............................50
第一節(jié)研究結(jié)論................................50
第二節(jié)研究展望...............................51
第四章考慮投資者關(guān)注的預(yù)測模型實(shí)證研究
第一節(jié)數(shù)據(jù)來源與處理
一數(shù)據(jù)來源
根據(jù)以往的文獻(xiàn)，選擇匯率的開盤價(jià)，收盤價(jià)，最高價(jià)，最低價(jià)，并加入投資者關(guān)注指標(biāo)作為特征來預(yù)測中間價(jià)。主要數(shù)據(jù)來源于外匯管理局官方網(wǎng)站和英為財(cái)情網(wǎng)。各變量定義如圖所示。因?yàn)楣俜街惶峁﹨R率中間價(jià)的交易日數(shù)據(jù)，所以將其他特征交易日之外的數(shù)據(jù)進(jìn)行剔除。數(shù)據(jù)的描述性統(tǒng)計(jì)如表4-1所示。

投資分析論文參考

.............................
第五章結(jié)論與展望
第一節(jié)研究結(jié)論
本文利用百度搜索指數(shù)刻畫投資者關(guān)注，并將該指標(biāo)納入人民幣匯率預(yù)測當(dāng)中；構(gòu)建了考慮投資者關(guān)注的深度學(xué)習(xí)預(yù)測模型；研究了LSTM和GRU模型最優(yōu)的網(wǎng)絡(luò)層數(shù)和單元數(shù)個(gè)數(shù)，并且對投資者關(guān)注的穩(wěn)健性進(jìn)行了分析，提供了最適宜的用于預(yù)測人民幣匯率的深度學(xué)習(xí)模型結(jié)構(gòu)；分別選取2018年1月-2021年6月美元兌人民幣匯率中間價(jià)的最高價(jià)、最低價(jià)、開盤價(jià)、收盤價(jià)和投資者關(guān)注指標(biāo)作為模型的預(yù)測指標(biāo)兌人民幣匯率進(jìn)行預(yù)測。多個(gè)模型的實(shí)證結(jié)果顯示了GRU模型對匯率預(yù)測很有幫助。論文的研究結(jié)論主要有：
1.本文考慮了投資者關(guān)注指標(biāo)，并對初始46個(gè)關(guān)鍵詞進(jìn)行主成分分析，最終確定了能夠代表投資者關(guān)注的百度指數(shù)關(guān)鍵詞。相比以往大多數(shù)匯率預(yù)測模型在預(yù)測指標(biāo)的選取上缺乏對投資者行為的考察這一問題，本文充分考慮了投資者的行為。相比于以往文章對投資者關(guān)注指標(biāo)度量不夠直觀的問題，本文的選取的百度指數(shù)更具有現(xiàn)實(shí)意義和解釋能力。
2.經(jīng)過對比分析發(fā)現(xiàn)，考慮了投資者關(guān)注的ARIMA-LSTM模型和GRU模型預(yù)測誤差更小，說明投資者關(guān)注指標(biāo)對人民幣匯率的預(yù)測準(zhǔn)確率具有影響。對比模型性能的評價(jià)指標(biāo)，可以發(fā)現(xiàn)兩個(gè)模型的RMSE平均值和MAPE平均值均降低。因此在對人民幣匯率進(jìn)行預(yù)測時(shí)，應(yīng)對投資者關(guān)注指標(biāo)予以重點(diǎn)關(guān)注。
3.通過實(shí)證分析可以看出ARIMA-LSTM模型和GRU模型在預(yù)測方面的準(zhǔn)確性、精度和穩(wěn)定性優(yōu)于其他模型，說明深度學(xué)習(xí)模型總體上的預(yù)測能力較強(qiáng)。同時(shí)證實(shí)了組合模型的優(yōu)勢，即對復(fù)雜趨勢的序列可以進(jìn)行針對性處理。IA-GRU模型預(yù)測效果優(yōu)于其他模型，說明IA-GRU的高度可調(diào)節(jié)性在減少參數(shù)規(guī)模的同時(shí)優(yōu)化了模型決策。不同預(yù)測結(jié)果都證明了深度學(xué)習(xí)模型對匯率預(yù)測的可用性和有效性，也為相關(guān)預(yù)測提供了一種較為科學(xué)的方法，即將深度學(xué)習(xí)模型結(jié)合投資者關(guān)注指標(biāo)來預(yù)測人民幣匯率。這對進(jìn)出口企業(yè)、市場交易者、其他利益相關(guān)者和有關(guān)部門的監(jiān)督管理有一定的參考意義。
參考文獻(xiàn)（略）