股票市場自誕生以來,已經成為金融業(yè)必不可少的一部分,一直受到投資者以及金融管理者的高度關注,股票價格的預測已經成為無數研究者和投資者關注的重點。影響股票市場的因素眾多復雜且具有非線性的特征,因此研究出一種精確度更高的股票價格預測模型具有十分重要的理論意義和應用價值。隨著大數據時代的到來,計算機并行計算能力發(fā)展迅速,機器學習中的深度學習已然成為金融領域中的應用前沿。本文利用深度學習中的棧式自編碼器神經網絡SAE對股票價格進行預測研究。首先通過具有無監(jiān)督學習機制的自編碼器對股票價格時間序列進行特征提取,再利用逐層貪婪訓練算法逐個訓練自編碼器,然后將模型學習到的參數作為整個網絡的初始參數,最后通過反向傳播算法有監(jiān)督的微調整個網絡。在實證分析方面,本文選取了上證指數日數據作為實驗樣本,并和ARMA時間序列預測模型以及BP神經網絡模型的做實證對比,實驗結果顯示棧式自編碼器神經網絡模型在各個預測性能指標上表現的更好,預測精度更高。為了進一步驗證模型的預測能力,本文重新選擇兩段時間周期相同但先后順序不同的上證指數日數據做實證對比分析,實驗結果表明基于棧式自編碼器神經網絡的股價預測模型效果良好,具有很...

【文章頁數】：54 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 國內外研究現狀
        1.2.1 國外研究現狀
        1.2.2 國內研究現狀
        1.2.3 研究評述
    1.3 主要研究內容與結構安排
    1.4 本文的創(chuàng)新之處
第2章 股票市場預測相關理論基礎
    2.1 中國股票市場相關介紹
        2.1.1 我國股票市場的特點與現狀
        2.1.2 評價股票的常用指標
    2.2 人工神經網絡原理
        2.2.1 人工神經網絡來源
        2.2.2 人工神經元模型
        2.2.3 激活函數
        2.2.4 神經網絡的特點
    2.3 分析股票常用的預測模型
        2.3.1 傳統(tǒng)的預測理論與模型
        2.3.2 機器學習預測理論與模型
    2.4 本章小結
第3章 棧式自編碼器神經網絡模型的構建
    3.1 自編碼器AE網絡結構
    3.2 自編碼器的學習算法
    3.3 棧式自編碼器SAE模型的構建
    3.4 逐層貪婪訓練
    3.5 微調
    3.6 評估模型的性能指標
        3.6.1 平均絕對誤差指標MAE
        3.6.2 均方根誤差指標RMSE
        3.6.3 平均絕對百分比誤差指標MAPE
    3.7 本章小結
第4章 數據處理與實證分析
    4.1 數據處理
        4.1.1 數據來源
        4.1.2 本文選取的預測指標
        4.1.3 數據的預處理
    4.2 模型關鍵參數的設置
    4.3 棧式自編碼器神經網絡預測模型的調優(yōu)
    4.4 棧式自編碼器神經網絡實證比較分析
    4.5 SAE模型不同時間段數據的實證比較分析
    4.6 本章小結
第5章 總結與展望
    5.1 總結
    5.2 不足與展望
參考文獻
致謝
個人簡歷、在學期間發(fā)表的學術論文與研究成果



本文編號：3874088