金融市場(chǎng)是國(guó)家資本市場(chǎng)的重要組成部分,它在保持國(guó)民經(jīng)濟(jì)的良好快速發(fā)展勢(shì)頭中有著不可替代的作用。股票作為其中的典型代表,深受投資者的關(guān)注。通過(guò)對(duì)股票走勢(shì)的研究和預(yù)測(cè),投資者希望挖掘成功的獲利模式,管理者則可以進(jìn)行干涉調(diào)控。由于股票數(shù)據(jù)非線性強(qiáng),波動(dòng)性大,至今沒(méi)有突破性的進(jìn)展,不過(guò)其巨大的挑戰(zhàn)性和誘惑力依舊促使著人們不斷地探索。隨著智能金融,量化投資等概念的不斷深化,人們需要找到更強(qiáng)大的智能算法應(yīng)用于金融市場(chǎng)。機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法因其強(qiáng)大的表征學(xué)習(xí)能力而在許多領(lǐng)域都取得了卓越的成果。在此趨勢(shì)下,兩種學(xué)習(xí)方法漸漸被應(yīng)用在金融領(lǐng)域。隨著對(duì)股市建模完整性的需要和數(shù)據(jù)體量的增加,文本信息逐漸成為學(xué)者們研究股票的挖掘?qū)ο?由于股票預(yù)測(cè)還在研究階段,構(gòu)建有效的投資組合成為股票投資的常用方法,而神經(jīng)網(wǎng)絡(luò)模型也可幫助實(shí)現(xiàn)這一目標(biāo)。本文的主要貢獻(xiàn)如下:1)對(duì)股票交易時(shí)機(jī)預(yù)測(cè)進(jìn)行研究,使用自適應(yīng)閾值分段線性表示算法為每個(gè)交易日生成交易標(biāo)簽,提出將技術(shù)指標(biāo)因子構(gòu)建成多通道圖片作為輸入,結(jié)合卷積神經(jīng)網(wǎng)絡(luò)建立了完整的交易時(shí)機(jī)預(yù)測(cè)模型。以前一日收盤(pán)價(jià)的預(yù)測(cè)結(jié)果指導(dǎo)交易,實(shí)驗(yàn)表明模型的預(yù)測(cè)分類性能具有實(shí)際意義。結(jié)合投... 

【文章來(lái)源】：東華大學(xué)上海市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

人工神經(jīng)元

第二章股票預(yù)測(cè)與模型算法概述1131()()iiihxfwxb==+(2-1)1()1xfxe=+(2-2)圖2-1人工神經(jīng)元外部傳入神經(jīng)元的信息經(jīng)過(guò)權(quán)值加權(quán)與偏置相加，再由激活函數(shù)變換后輸出。常用的激活函數(shù)有Sigmoid，Softmax等，Sigmoid函數(shù)見(jiàn)式(2-2)。多個(gè)并列的神經(jīng)元可構(gòu)建成一個(gè)網(wǎng)絡(luò)層，多個(gè)網(wǎng)絡(luò)層相互連接將形成一個(gè)網(wǎng)絡(luò)模型，網(wǎng)絡(luò)模型在訓(xùn)練中不斷感知并調(diào)節(jié)自身參數(shù)從而實(shí)現(xiàn)學(xué)習(xí)。通過(guò)改變連接架構(gòu)，激活函數(shù)和學(xué)習(xí)規(guī)則，研究者可以設(shè)計(jì)出不同的網(wǎng)絡(luò)模型，其中典型的網(wǎng)絡(luò)是前饋神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)見(jiàn)圖2-2。圖2-2典型的前饋神經(jīng)網(wǎng)絡(luò)一個(gè)三層的神經(jīng)網(wǎng)絡(luò)已經(jīng)可以實(shí)現(xiàn)函數(shù)的擬合，增加隱含層的層數(shù)可以增強(qiáng)模型的非線性表達(dá)能力，在提高精度和計(jì)算量的同時(shí)也可能降低模型的泛化能力。模型的調(diào)優(yōu)方法通常使用梯度下降算法，該算法將損失函數(shù)計(jì)算的誤差層層反向傳遞，以設(shè)定的學(xué)習(xí)率調(diào)節(jié)各項(xiàng)參數(shù)。除此之外還有下降速度更快的批量梯度下降，隨機(jī)梯度下降等。2.4.2卷積神經(jīng)網(wǎng)絡(luò)在傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，紐約大學(xué)的YannLecun在1998年提出了CNN[45]，

第二章股票預(yù)測(cè)與模型算法概述12該模型在接受圖像作為輸入的時(shí)候表現(xiàn)出了明顯的優(yōu)勢(shì)。不同于以往預(yù)先進(jìn)行特征提取和構(gòu)建，圖片只需直接輸入，CNN就能自我感知并高效提取圖像的特征，比如形狀，顏色，紋理和拓?fù)浣Y(jié)構(gòu)等信息，而且在圖像發(fā)生位移、旋轉(zhuǎn)、縮放等扭曲不變性變化時(shí)，CNN依然保持著良好的應(yīng)用性能。因此它在圖像領(lǐng)域具有不可替代的地位。CNN網(wǎng)絡(luò)具有三個(gè)突出的特點(diǎn)，分別是局部感知，參數(shù)共享和池化[46]。CNN引入了卷積核，使得每個(gè)輸出神經(jīng)元僅與前一層特定局部區(qū)域內(nèi)的神經(jīng)元存在連接權(quán)重，每個(gè)神經(jīng)元只需要感受局部特征，而這些局部特征將在更深層中進(jìn)行綜合，從而逐步實(shí)現(xiàn)全局信息的感知。權(quán)值共享則是對(duì)圖像用相同的卷積核進(jìn)行卷積操作，大大減少了參數(shù)量，這也意味著第一個(gè)隱藏層的所有神經(jīng)元所能檢測(cè)到處于圖像不同位置的完全相同的特征，因此CNN能很好的適應(yīng)圖像的小范圍的平移性。CNN在卷積層后會(huì)連接池化層進(jìn)行降采樣操作，在這一過(guò)程中參數(shù)量再次被減少，特征圖的信息被濃縮，通常使用的有最大值池化和平均值池化。一般來(lái)說(shuō)，CNN的組成部分包含卷積層、池化層和全連接層。下圖展示卷積神經(jīng)網(wǎng)絡(luò)的一般結(jié)構(gòu)。圖2-3典型的卷積神經(jīng)網(wǎng)絡(luò)2.4.3K近鄰算法（KNN）KNN分類算法[47]是機(jī)器學(xué)習(xí)中最簡(jiǎn)單的分類算法之一，由Cover和Hart在1968年提出。該算法沒(méi)有訓(xùn)練過(guò)程，屬于懶惰學(xué)習(xí)的一種，其基本過(guò)程是對(duì)于每個(gè)樣本，找出距離該樣本距離最近的K個(gè)樣本，然后基于這K個(gè)最近鄰的信息來(lái)進(jìn)行分析，在算法中可以選擇不同的距離度量。分析過(guò)程中常用“投票法”，即以K個(gè)實(shí)例中數(shù)量最多的類別作為分類結(jié)果。在執(zhí)行回歸任務(wù)時(shí)，常對(duì)這K個(gè)實(shí)例的標(biāo)記值取平均作為回歸結(jié)果。除此之外

【參考文獻(xiàn)】：
期刊論文
[1]基于深度神經(jīng)網(wǎng)絡(luò)的經(jīng)濟(jì)時(shí)間序列預(yù)測(cè)模型[J]. 崔馨心.  信息技術(shù)與信息化. 2018(11)
[2]卷積神經(jīng)網(wǎng)絡(luò)綜述[J]. 劉健,袁謙,吳廣,喻曉.  計(jì)算機(jī)時(shí)代. 2018(11)
[3]基于ARIMA模型與神經(jīng)網(wǎng)絡(luò)模型的股價(jià)預(yù)測(cè)[J]. 陳小玲.  經(jīng)濟(jì)數(shù)學(xué). 2017(04)
[4]股票內(nèi)在價(jià)值、投資者關(guān)注與企業(yè)價(jià)值[J]. 何玉芬.  財(cái)會(huì)通訊. 2017(24)
[5]智能金融的核心引擎:一覽與前瞻[J]. 鮑捷.  軟件和集成電路. 2017(04)
[6]人工智能的兩個(gè)領(lǐng)域[J]. 何立民.  單片機(jī)與嵌入式系統(tǒng)應(yīng)用. 2016(09)
[7]組合指標(biāo)個(gè)股量化擇時(shí)交易的實(shí)證研究[J]. 劉宇霞.  科技創(chuàng)業(yè)月刊. 2015(12)
[8]商業(yè)銀行金融市場(chǎng)業(yè)務(wù)風(fēng)險(xiǎn)管理策略探討[J]. 劉鋼.  時(shí)代金融. 2015(05)
[9]K線圖技術(shù)與市場(chǎng)有效性[J]. 汪天都,孫謙.  管理現(xiàn)代化. 2014(04)
[10]我國(guó)股市的現(xiàn)狀分析[J]. 王騰.  中外企業(yè)家. 2013(18)

博士論文
[1]建立股指波動(dòng)預(yù)測(cè)模型的方法研究及應(yīng)用[D]. 沈巍.華北電力大學(xué)（北京） 2011

碩士論文
[1]我國(guó)上市公司財(cái)務(wù)指標(biāo)與股票價(jià)格之間的相關(guān)性研究[D]. 撒媛媛.山東大學(xué) 2018
[2]基于隨機(jī)森林方法的滬深300指數(shù)漲跌預(yù)測(cè)研究[D]. 王偉.天津財(cái)經(jīng)大學(xué) 2017
[3]基于正則化的投資組合分析[D]. 陶一鑫.浙江工商大學(xué) 2014
[4]社交網(wǎng)絡(luò)不同類型財(cái)經(jīng)信息對(duì)證券市場(chǎng)的影響[D]. 丁奕辰.天津大學(xué) 2014
[5]新聞事件驅(qū)動(dòng)的市場(chǎng)預(yù)測(cè)研究[D]. 張明祿.上海交通大學(xué) 2014
[6]現(xiàn)代投資組合理論及其在中國(guó)基金業(yè)的實(shí)證研究[D]. 雷彬.重慶大學(xué) 2012
[7]技術(shù)指標(biāo)投資策略的優(yōu)化及其在量化交易中的應(yīng)用[D]. 張登明.華中科技大學(xué) 2010
[8]中國(guó)股市系統(tǒng)風(fēng)險(xiǎn)實(shí)證研究[D]. 王小玲.武漢科技大學(xué) 2005
[9]中國(guó)股市績(jī)優(yōu)股定價(jià)模型[D]. 劉鐵軍.吉林大學(xué) 2004



本文編號(hào)：3421124