大數(shù)據(jù)時(shí)代的到來,將信息滲入到當(dāng)今各個(gè)產(chǎn)業(yè)領(lǐng)域,成為重要的社會(huì)生產(chǎn)因素。人們對(duì)海量數(shù)據(jù)進(jìn)行挖掘和運(yùn)用,隨著時(shí)間的推移,對(duì)時(shí)間序列數(shù)據(jù)的分析預(yù)測(cè)也日益增多。如今,經(jīng)濟(jì)金融實(shí)現(xiàn)全球一體化,經(jīng)濟(jì)市場(chǎng)規(guī)模不斷增大,股票市場(chǎng)作為經(jīng)濟(jì)市場(chǎng)的重要組成部分,成為人們分析預(yù)測(cè)時(shí)序數(shù)據(jù)的代表。傳統(tǒng)的時(shí)間序列分析難以較好地對(duì)股票這樣非平穩(wěn)、非線性的時(shí)序數(shù)據(jù)進(jìn)行擬合,神經(jīng)網(wǎng)絡(luò)依靠它強(qiáng)大的信息處理能力逐漸應(yīng)用于分析不同類型的數(shù)據(jù)當(dāng)中。對(duì)于預(yù)測(cè)股票這類時(shí)間序列數(shù)據(jù),最適合的網(wǎng)絡(luò)模型是循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN),研究者們使用長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)對(duì)其進(jìn)行了改進(jìn),解決了長(zhǎng)期依賴問題。本文以LSTM網(wǎng)絡(luò)模型作為基本模型,選取了三組17維指標(biāo)的個(gè)股數(shù)據(jù)以及24維指標(biāo)的股指數(shù)據(jù),將數(shù)據(jù)進(jìn)行清洗并且標(biāo)準(zhǔn)化從而消除量綱的影響。首先,詳細(xì)介紹了RNN網(wǎng)絡(luò)及LSTM網(wǎng)絡(luò)的相關(guān)理論知識(shí)并建立了基于LSTM網(wǎng)絡(luò)預(yù)測(cè)模型。其次介紹了兩種特征提取的方法,分別是主成分分析法(PCA)和去噪自編碼網(wǎng)絡(luò)(DAE),本文借助PCA的降維結(jié)果作為DAE的降維參考。最后在DAE-LSTM網(wǎng)絡(luò)模型中引入注意力機(jī)制(Attention Mechanism...

【文章頁數(shù)】：48 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題背景及研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 國(guó)外研究現(xiàn)狀
        1.2.2 國(guó)內(nèi)研究現(xiàn)狀
    1.3 研究?jī)?nèi)容和組織結(jié)構(gòu)
2 神經(jīng)網(wǎng)絡(luò)相關(guān)理論
    2.1 深度學(xué)習(xí)理論介紹
    2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)
    2.3 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)
    2.4 本章小結(jié)
3 基于特征提取的LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型
    3.1 數(shù)據(jù)集選取
        3.1.1 股價(jià)指標(biāo)體系
        3.1.2 股指指標(biāo)體系
    3.2 數(shù)據(jù)預(yù)處理
    3.3 基于LSTM網(wǎng)絡(luò)預(yù)測(cè)模型
        3.3.1 數(shù)據(jù)集劃分及參數(shù)說明
        3.3.2 模型評(píng)價(jià)指標(biāo)及結(jié)果
    3.4 基于特征提取的LSTM預(yù)測(cè)模型
        3.4.1 主成分分析
        3.4.2 自編碼器
        3.4.3 實(shí)證分析
    3.5 本章小結(jié)
4 基于LSTM特征提取的注意力機(jī)制模型
    4.1 注意力機(jī)制的發(fā)展
    4.2 注意力機(jī)制的構(gòu)造
    4.3 實(shí)證分析
    4.4 注意力機(jī)制穩(wěn)定性分析
    4.5 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝



本文編號(hào)：3779485