近年來,由于高性能計算機(jī)的普及以及人工智能技術(shù)的飛速發(fā)展,人工智能已經(jīng)對各個領(lǐng)域的生態(tài)發(fā)起了挑戰(zhàn),金融領(lǐng)域也不例外。我國證券市場發(fā)展至今,雖然發(fā)展迅猛、成就矚目,但是內(nèi)幕交易和退市制度不完善等問題反映出我國證券市場仍然存在諸多機(jī)制和監(jiān)管的問題。加之金融市場本就是一個充滿噪聲的復(fù)雜動態(tài)系統(tǒng),如何準(zhǔn)確的預(yù)測大盤指數(shù)走勢、分析現(xiàn)階段宏觀因素對證券市場的影響力是學(xué)者關(guān)注的熱點問題。而對于投資者來說,預(yù)測股價走勢和波動率并取得高收益低風(fēng)險的結(jié)果是他們永遠(yuǎn)的追求。種種現(xiàn)實的訴求自然決定了金融領(lǐng)域是一個相當(dāng)開放且實踐方式更新較快的領(lǐng)域,這一特點加上人工智能技術(shù)的成熟,人工智能與金融的快速融合是必然結(jié)果。例如近幾年量化投資興起,閱讀各大研究所策略研究報告之后不難發(fā)現(xiàn),機(jī)器學(xué)習(xí)模型以及深度學(xué)習(xí)模型深受喜愛。而在深度學(xué)習(xí)中,針對于時間序列問題且善于處理長期依賴問題的是門控循環(huán)神經(jīng)網(wǎng)絡(luò),如長短期記憶模型。本文的理論部分介紹了傳統(tǒng)的ARMA-GARCH族模型與神經(jīng)網(wǎng)絡(luò)模型的基本知識,其中在神經(jīng)網(wǎng)絡(luò)部分中詳細(xì)介紹并推導(dǎo)了反向傳播算法和Adam優(yōu)化算法。在實證部分中使用了 Eviews、R語言、Keras庫等工具... 

【文章來源】：山東大學(xué)山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１．１技術(shù)路線圖??１．４國內(nèi)外文獻(xiàn)綜述??

ｐ（－ｘ）??ｎｇｍｏｉｄ（ｘ）??１－０１?ｔａｎｈ（ｘ）＊??０．８■…－－??４－?－－??－???—??０．６???ｊ??，??／??ｉ?１??１??１?，???－？－！?－．．．．．．．．．．十???－２?－】ｙ／?１?２?ｘ??：ｙ?—?．．．—?—?一＾’十??ａｏ??＞?＂＾―￣￣＇?１?：?＇???－１０．０?－７．５?－５．０?－２．５?０．０?２．５?５．０?７．５?１０．０??圖２．１?ｔａｎｈ與Ｓｉｇｍｏｉｄ函數(shù)圖（素材來自于網(wǎng)絡(luò)）??９??

?山東大學(xué)碩士學(xué)位論文???ｈｉｄｄｅｎ?ｌａｙｅｒ?１?ｈｉｄｄｅｎ?ｌａｙｅｒ?２?ｈｉｄｄｅｎ?ｌａｙｅｒ?３??ｉｎｐｕｔ?ｌａｙｅｒ??圖２．２全連接神經(jīng)網(wǎng)絡(luò)（素材來自于網(wǎng)絡(luò)）??從圖中不難看出，全連接結(jié)構(gòu)參數(shù)太多，大大提高了存儲要求并且降低了統(tǒng)??計效率。針對于某一領(lǐng)域（如計算機(jī)視覺），如果輸入的特征過多，模型深度很??大，訓(xùn)練將十分困難。而卷積神經(jīng)網(wǎng)絡(luò)的特殊架構(gòu)則克服了這一問題，這歸功于??卷積神經(jīng)網(wǎng)絡(luò)兩個特殊的層，卷積層和池化層。??全連接神經(jīng)網(wǎng)絡(luò)的某些層之間的連接是通過矩陣乘法來完成的。如果有ｍ??個輸入和ｎ個輸出，那么使用矩陣乘法則需要ｍ乘ｎ個參數(shù)。在卷積層中，使??用卷積操作來替代這種一般的矩陣乘法。在卷積網(wǎng)絡(luò)中的卷積操作是使用輸入和??核張量相乘，并不是對兩個實變函數(shù)的一種數(shù)學(xué)運算。其中卷積操作有一個很重??要的思想：仍然使用上面的例子，如果我們限制下一層的每個神經(jīng)元擁有的連接??數(shù)為ｋ，那么這種連接方法只需要ｋ乘ｎ個參數(shù)，并且被稱之為稀疏交互（ｓｐａｒｓｅ??ｉｎｔｅｒａｃｔｉｏｎｓ），如下圖所示。還有一個顯著降低存儲空間提升運算效率的思想叫??參數(shù)共享（ｐａｒａｍｅｔｅｒｓｈａｒｉｎｇ），指在一個模型中的多個函數(shù)中使用相同的參數(shù)，??使用上面的例子，我們對連接參數(shù)進(jìn)行參數(shù)共享，模型的存儲需求就會降為ｋ。??１１??

【參考文獻(xiàn)】：
期刊論文
[1]基于粒子群優(yōu)化LSTM的股票預(yù)測模型[J]. 宋剛,張云峰,包芳勛,秦超.  北京航空航天大學(xué)學(xué)報. 2019(12)
[2]基于深度雙向LSTM的股票推薦系統(tǒng)[J]. 曾安,聶文俊.  計算機(jī)科學(xué). 2019(10)
[3]基于深度學(xué)習(xí)LSTM神經(jīng)網(wǎng)絡(luò)的全球股票指數(shù)預(yù)測研究[J]. 楊青,王晨蔚.  統(tǒng)計研究. 2019(03)
[4]FEPA-金融時間序列自適應(yīng)組合預(yù)測模型[J]. 潘和平,張承釗.  中國管理科學(xué). 2018(06)
[5]基于TensorFlow進(jìn)行股票預(yù)測的深度學(xué)習(xí)模型的設(shè)計與實現(xiàn)[J]. 韓山杰,談世哲.  計算機(jī)應(yīng)用與軟件. 2018(06)
[6]基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的故障時間序列預(yù)測[J]. 王鑫,吳際,劉超,楊海燕,杜艷麗,牛文生.  北京航空航天大學(xué)學(xué)報. 2018(04)
[7]深度學(xué)習(xí)在量化投資中的應(yīng)用[J]. 李文鵬,高宇菲,錢佳佳,陳曦.  統(tǒng)計與管理. 2017(08)
[8]深度學(xué)習(xí)的金融實證應(yīng)用:動態(tài)、貢獻(xiàn)與展望[J]. 蘇治,盧曼,李德軒.  金融研究. 2017(05)
[9]基于ARMA-GARCH模型的股票價格分析與預(yù)測[J]. 楊琦,曹顯兵.  數(shù)學(xué)的實踐與認(rèn)識. 2016(06)
[10]基于ARMA-GARCH模型的上證指數(shù)實證分析[J]. 王博.  科學(xué)技術(shù)與工程. 2012(05)

碩士論文
[1]基于循環(huán)神經(jīng)網(wǎng)絡(luò)及百度指數(shù)預(yù)測A股市場波動率[D]. 李樹陽.山東大學(xué) 2019
[2]基于長短期記憶神經(jīng)網(wǎng)絡(luò)的收益率預(yù)測研究[D]. 付泉.山東大學(xué) 2019
[3]基于LSTM模型的深度學(xué)習(xí)與遷移學(xué)習(xí)在預(yù)測外匯匯率中的應(yīng)用研究[D]. 李偉.華南理工大學(xué) 2019
[4]基于LSTM混合模型的金融時間序列預(yù)測研究[D]. 王錦濤.鄭州大學(xué) 2019
[5]基于t分布的GARCH族模型的建立與實證分析[D]. 別曉芳.哈爾濱工業(yè)大學(xué) 2018
[6]基于LSTM神經(jīng)網(wǎng)絡(luò)的PM2.5預(yù)測[D]. 周永生.湖南大學(xué) 2018
[7]基于ARMA-GARCH模型族的上證指數(shù)收益率波動的實證分析[D]. 張東旭.清華大學(xué) 2016
[8]基于LSTM神經(jīng)網(wǎng)絡(luò)的美股股指價格趨勢預(yù)測模型的研究[D]. 孫瑞奇.首都經(jīng)濟(jì)貿(mào)易大學(xué) 2016
[9]基于ARMA-GARCH模型對上證綜指和新綜指的探究[D]. 曾青.福建師范大學(xué) 2015
[10]基于GARCH模型的上證指數(shù)波動率特征分析[D]. 成城.山東大學(xué) 2014



本文編號：2977546