本文是一篇投資分析論文，本文利用百度搜索指數刻畫投資者關注，并將該指標納入人民幣匯率預測當中；構建了考慮投資者關注的深度學習預測模型；研究了LSTM和GRU模型最優的網絡層數和單元數個數，并且對投資者關注的穩健性進行了分析，提供了最適宜的用于預測人民幣匯率的深度學習模型結構；
第一章緒論
第一節研究背景與意義
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、流動性強的特點。匯率本身是貨幣的價格，是一個國家對外交易的紐帶，同時也是外匯市場最重要的經濟指標之一。1984年我國提出經濟體制改革的目標，外匯市場開始產生并發展。1985年，我國成立了國內第一家外匯調劑中心，開始辦理外匯調劑業務。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控為主轉向了以市場決定為主。2005年，我國開始實行浮動匯率制度，因此在一定程度上釋放了當時積累的通貨膨脹壓力，提高了人民幣地位。2015年，順應供給側結構性改革，人民幣對美元匯率報價機制調整為以“收盤價+籃子匯率”的為準的中間價報價模式。之后的5年內，人民幣通過加入特別提款權，改革形成機制，在國際市場的地位和透明化程度不斷提升。總而言之，貨幣當局對匯率的干預越來越少，人民幣的雙向波動也變得越來越頻繁，朝著市場化進程不斷邁進。
過去三年，中國與世界經濟的聯系仍舊緊密，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，導致外匯風險較大。隨著我國金融市場的全面開放，匯率風險問題越來越受到學術界的重視。如果能夠找到合適的預測模型對匯率進行預測，就能夠通過針對性的經濟活動引導匯率市場健康運行，為我國經濟發展提供正確的指導。
一直以來，金融行業對金融時間序列數據的成功預測十分關注，特別是資產價格預測，如股票價格、股票指數、外匯、石油、黃金等價格預測。自計算機普及開始，金融行業就在尋找能夠精準預測匯率的方法，預測模型從傳統計量模型向深度學習模型轉變，從單一模型向組合模型過渡。傳統計量模型屬于線性預測模型，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鍵信息。近年來深度學習技術的發展為預測經濟問題提供了新思路。深度學習模型在不需要人工提取數據特征的情況下，通過將各種金融問題轉換為學習表示問題，可以充分的挖掘數據背后的信息。門控循環單元神經網絡模型是較為流行的深度學習模型之一。
..............................
第二節研究內容與框架
本文以深度學習為理論依據，系統地研究了考慮投資者關注的人民幣匯率預測方法。在對投資者關注的概念界定和對投資者關注與匯率的關系、匯率預測方法相關研究綜述的基礎上，探討了投資者關注的常用的度量指標。利用主成分分析方法，對百度搜索指數獲取的與投資者關注有關的匯率關鍵詞進行篩選，確定了度量投資者關注的量化指標。進而，將ARIMA模型與深度LSTM模型相結合，構建了考慮投資者關注的人民幣匯率的ARIMA-LSTM預測模型。同時，利用深度GRU模型處理匯率序列數據的優越性，構建了考慮投資者關注的深度GRU匯率預測模型。最后，選取2018年1月至2021年6月美元兌人民幣匯率中間價的開盤價、最高價、最低價、收盤價和匯率的投資者關注五個指標的交易日數據，對考慮投資者關注的人民幣匯率預測模型進行實證分析，對比分析的結果顯示了不同預測模型的效果與優勢。
本文的研究內容共分為五章，具體研究內容如下：
第一章緒論首先對本文的研究背景和研究意義進行描述，分析了匯率預測對個體投資者、機構投資者的交易及國家金融政策制定的重要意義和實用價值。然后，列出了本文的主要研究內容和框架，并指出了本文的研究特色與創新之處。
第二章相關概念與文獻綜述本章首先對匯率的預測方法進行總結，按照計量方法到淺層機器學習方法和深度學習方法的順序進行概述。然后對國內外關于投資者關注與匯率時間序列的研究的現狀進行闡述分析，同時對投資者關注的度量進行描述。本章的研究為本文提供了理論分析基礎，為后續章節提出匯率預測模型做鋪墊。
第三章考慮投資者關注的人民幣匯率預測模型首先介紹了我國常用的投資者關注指標的選擇方法。其次，通過百度指數獲取投資者關注的初始預測指標，經過主成分分析法對這些指標進行篩選，確定了度量投資者關注的量化指標。進而，構建了考慮投資者關注的ARIMA-LSTM組合預測模型和GRU預測模型。
......................
第二章相關概念與文獻綜述
第一節投資者關注的概念與相關研究
投資者關注是投資者對某一信息的關注程度，是從投資者的整體角度出發的概念。投資者關注對個人和群體投資決策都起著重要的作用。由于投資者關注是抽象的，難以直接獲取，所以對投資者關注指標的度量方法不盡相同。投資者關注指標大體上可以分為直接指標和間接指標。相比于間接指標，直接指標直觀易得，更能及時反映投資者的關注。
一投資者關注的概念
（一）行為金融學理論
傳統金融學理論支持有效市場假說，認為投資者能接收到市場表示出的所有信息，具有初步認識和深入理解市場信息的完全能力。假設不考慮搜尋信息的時間成本、渠道成本和相關耗費成本，投資者可以對不確定性事件進行合理估計。并且，當投資者接收到新信息時，能按照理性法則來正確地調整自己的投資決策重點，從而做出最優交易決策。總之，傳統金融學認為投資者足夠理性，能夠利用和處理全部的市場信息進行最佳的決策。
但是在現實中，投資者不是完全的理性人，受限于自身教育經歷等原因，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。同時投資者具有社會屬性，容易受到周圍社會關系網絡的影響，產生非理性認知。而且現實中并非所有信息都是結構化的，所以傳統金融學的研究前提并不完全適用于現存的市場信息。行為金融學認為信息并不全會引起投資者的足夠關注，從投資者本身這一角度解釋市場行為的表現，將投資者心理等因素納入到分析的框架中[1]。行為金融學認為當投資者將有限的關注分配到某項資產上時，該項資產價格會受其影響而產生波動。
.................................
第二節匯率預測方法
隨著技術的提高，匯率的預測方法從最初的計量模型方法發展到淺層機器學習模型方法，進而發展到深度學習模型方法。最初的計量模型能夠形成一個具體的表達式，對匯率時間序列數據的線性趨勢做出很好的預測。但是匯率本質上不是線性的，具有非平穩、高噪聲的特點，使得計量模型的預測能力受到了限制。淺層機器學習模型可以通過殘差逆向傳播對線性權函數進行不斷調整，以此對匯率數據的復雜部分進行更好的預測。然而，對于存在前后關聯的序列數據，淺層機器學習模型無法保存這一關聯的信息。深度學習模型的循環神經網絡在網絡結構加入了循環技術，通過權值共享，能夠更好地對序列中相關的信息并進行預測。循環技術可能導致神經網絡預測時陷入局部最小值，為解決這一問題，LSTM和GRU加入了門控機制，能夠對人民幣匯率進行更好的預測。
一計量模型
人民幣匯率的自身價格隨著時間變化，本質上是時序數據，屬于金融時間序列。因此，可以通過時間序列的歷史樣本構建合適的模型。蔡宗武[22]認為時間序列自身的信息預測比宏觀經濟變量預測的準確。從20世紀30年代起，就有學者對時間序列進行預測研究。最初的方法主要是自回歸移動平均模型（ARMA），自回歸條件異方差模型（GARCH），后新增了指數平滑法、季節系數法等，如今這些經典計量方法已經十分成熟。該類模型的原理都是通過縮小線性最小均方誤差來預測時間序列的。
最廣泛使用的經典計量模型是差分整合移動平均自回歸模型（ARIMA），該模型是一種考慮了差分的ARMA。ARIMA模型簡單靈活，著重分析經濟時間序列本身所蘊含的隨機性質，是最受歡迎的計量模型之一。Rout[23]發現利用ARIMA模型特殊的差分處理方式能夠有效應對數據冗余所帶來的預測不準確的問題，能夠采取更合適的函數形式模擬匯率波動。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，對人民幣匯率進行了短期預測，研究發現周期ARMA模型的預測結果更平穩。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，以便處理數據方差時變性問題。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的模型，也是目前最廣泛的非線性參數模型。非線性參數模型與ARIMA之類的參數模型的區別在于，其能對整個回歸函數進行估計。戴曉楓等人[26]構建了基于非線性參數模型和線性參數模型的匯率預測模型，對人民幣兌美元的日匯率值進行了預測，結果顯示EGARCH模型能準確地反映匯率的變動趨勢。宋博等人[27]采用ARMA-GARCH模型對經過分解處理后的人民幣匯率數據進行預測，取得了良好的預測效果。
...............................
第三章考慮投資者關注的人民幣匯率預測模型...............16
第一節投資者關注的度量指標...........................16
一常用的度量指標...................................16
二匯率關鍵詞的百度指數....................18
第四章考慮投資者關注的預測模型實證研究.................34
第一節數據來源與處理.......................34
一數據來源...................................34
二數據處理...............................35
第五章結論與展望.............................50
第一節研究結論................................50
第二節研究展望...............................51
第四章考慮投資者關注的預測模型實證研究
第一節數據來源與處理
一數據來源
根據以往的文獻，選擇匯率的開盤價，收盤價，最高價，最低價，并加入投資者關注指標作為特征來預測中間價。主要數據來源于外匯管理局官方網站和英為財情網。各變量定義如圖所示。因為官方只提供匯率中間價的交易日數據，所以將其他特征交易日之外的數據進行剔除。數據的描述性統計如表4-1所示。

投資分析論文參考

.............................
第五章結論與展望
第一節研究結論
本文利用百度搜索指數刻畫投資者關注，并將該指標納入人民幣匯率預測當中；構建了考慮投資者關注的深度學習預測模型；研究了LSTM和GRU模型最優的網絡層數和單元數個數，并且對投資者關注的穩健性進行了分析，提供了最適宜的用于預測人民幣匯率的深度學習模型結構；分別選取2018年1月-2021年6月美元兌人民幣匯率中間價的最高價、最低價、開盤價、收盤價和投資者關注指標作為模型的預測指標兌人民幣匯率進行預測。多個模型的實證結果顯示了GRU模型對匯率預測很有幫助。論文的研究結論主要有：
1.本文考慮了投資者關注指標，并對初始46個關鍵詞進行主成分分析，最終確定了能夠代表投資者關注的百度指數關鍵詞。相比以往大多數匯率預測模型在預測指標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注指標度量不夠直觀的問題，本文的選取的百度指數更具有現實意義和解釋能力。
2.經過對比分析發現，考慮了投資者關注的ARIMA-LSTM模型和GRU模型預測誤差更小，說明投資者關注指標對人民幣匯率的預測準確率具有影響。對比模型性能的評價指標，可以發現兩個模型的RMSE平均值和MAPE平均值均降低。因此在對人民幣匯率進行預測時，應對投資者關注指標予以重點關注。
3.通過實證分析可以看出ARIMA-LSTM模型和GRU模型在預測方面的準確性、精度和穩定性優于其他模型，說明深度學習模型總體上的預測能力較強。同時證實了組合模型的優勢，即對復雜趨勢的序列可以進行針對性處理。IA-GRU模型預測效果優于其他模型，說明IA-GRU的高度可調節性在減少參數規模的同時優化了模型決策。不同預測結果都證明了深度學習模型對匯率預測的可用性和有效性，也為相關預測提供了一種較為科學的方法，即將深度學習模型結合投資者關注指標來預測人民幣匯率。這對進出口企業、市場交易者、其他利益相關者和有關部門的監督管理有一定的參考意義。
參考文獻（略）