股票市場(chǎng)作為社會(huì)經(jīng)濟(jì)的重要組成部分,為我國(guó)的經(jīng)濟(jì)發(fā)展發(fā)揮著重要的作用。投資者可以通過(guò)準(zhǔn)確的價(jià)格走勢(shì)預(yù)測(cè),降低投資決策的風(fēng)險(xiǎn)。然而由于股票數(shù)據(jù)的非線性和非平穩(wěn)特性,股票價(jià)格走勢(shì)的準(zhǔn)確預(yù)測(cè)往往非常困難。當(dāng)前基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法(LSTM),在股票價(jià)格預(yù)測(cè)中初步顯示重要的算法優(yōu)勢(shì)。然而在訓(xùn)練過(guò)程中,僅僅采用梯度下降算法進(jìn)行網(wǎng)絡(luò)優(yōu)化,預(yù)測(cè)的準(zhǔn)確性有待提高。進(jìn)化算法作為一種魯棒性強(qiáng)全局尋優(yōu)算法,可以用來(lái)優(yōu)化神經(jīng)網(wǎng)絡(luò)。目前,進(jìn)化神經(jīng)網(wǎng)絡(luò)已經(jīng)廣泛應(yīng)用于圖像處理、時(shí)間序列預(yù)測(cè)等多個(gè)方面。它們通常將神經(jīng)網(wǎng)絡(luò)的權(quán)重作為種群,利用進(jìn)化算子優(yōu)化個(gè)體。因此,將現(xiàn)有的進(jìn)化神經(jīng)網(wǎng)絡(luò)算法用于股票預(yù)測(cè),可以有效改善現(xiàn)有深度學(xué)習(xí)預(yù)測(cè)方法準(zhǔn)確性較差的不足。本文對(duì)基于時(shí)間序列數(shù)據(jù)算法進(jìn)行研究和分析發(fā)現(xiàn),雖然LSTM類的算法在時(shí)間序列預(yù)測(cè)方面取得了不錯(cuò)的效果,但是隨著數(shù)據(jù)的復(fù)雜度越高,例如高度非線性的股票數(shù)據(jù),神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)難度也越來(lái)越大�，F(xiàn)有的LSTM類的算法僅僅在梯度下降算法的優(yōu)化下,很容易造成局部最優(yōu)、預(yù)測(cè)準(zhǔn)確度低等問(wèn)題,使算法的性能遭遇瓶頸。因此本文針對(duì)這些問(wèn)題進(jìn)行了深入分析,并提出了相應(yīng)的改進(jìn)方案,具體研究工作包...

【文章頁(yè)數(shù)】：69 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

進(jìn)化神經(jīng)網(wǎng)絡(luò)算法優(yōu)化及其在股票價(jià)格預(yù)測(cè)中的應(yīng)用2法結(jié)合神經(jīng)網(wǎng)絡(luò)是近年來(lái)提高神經(jīng)網(wǎng)絡(luò)性能的一個(gè)很好的方法，也吸引了大量的科研人員投身于該領(lǐng)域的研究。進(jìn)化神經(jīng)網(wǎng)絡(luò)使用了自然界的進(jìn)化理論，在種群的逐代進(jìn)化過(guò)程中，不斷保留最優(yōu)的個(gè)體（模型權(quán)重），淘汰比較差的個(gè)體，最后使種群逐漸趨向于一個(gè)....

進(jìn)化神經(jīng)網(wǎng)絡(luò)算法優(yōu)化及其在股票價(jià)格預(yù)測(cè)中的應(yīng)用16下一天收盤價(jià)1TX拼接的混合數(shù)據(jù)X，以此來(lái)與真實(shí)的收盤價(jià)序列X(1TT1XXX)進(jìn)行對(duì)抗。進(jìn)化過(guò)程中種群個(gè)體為生成器對(duì)應(yīng)的權(quán)重空間，通過(guò)變異的方式將每個(gè)生成器變成三個(gè)不同的個(gè)體，然后對(duì)變異個(gè)體進(jìn)行評(píng)估，最后通過(guò)目標(biāo)函數(shù)選擇最優(yōu)的個(gè)....

進(jìn)化神經(jīng)網(wǎng)絡(luò)算法優(yōu)化及其在股票價(jià)格預(yù)測(cè)中的應(yīng)用17heuristic變異都是不飽和的，也就是不會(huì)出現(xiàn)梯度消失的現(xiàn)象，進(jìn)而能提供有效的生成器更新。然而，根據(jù)[40],在給定最優(yōu)判別器D的情況下，最小化hueristic變體等于最小化[()2()]XXXXKLppJSDpp[28]。....

本文編號(hào)：4009276