作為一種有價證券,股票一直是投資者們最為青睞的投資選擇之一,股票的價格預(yù)測自然也成為了投資者們長期關(guān)注的問題[1]。然而,由于數(shù)據(jù)具有高噪聲、動態(tài)性、非參數(shù)、非線性等特點[2],使得預(yù)測股票價格的難度頗高,近幾年全球各地不斷爆發(fā)的疫情與戰(zhàn)亂,更加劇了股票市場的不穩(wěn)定性,也對價格預(yù)測提出了更高的要求。隨著人工智能技術(shù)的發(fā)展,機(jī)器學(xué)習(xí)的應(yīng)用領(lǐng)域越發(fā)廣泛,各種機(jī)器學(xué)習(xí)模型對于非線性問題的擬合能力也越來越強(qiáng),已經(jīng)被廣泛應(yīng)用于股票價格預(yù)測中。本文選用中證500指數(shù)數(shù)據(jù),首先使用BP神經(jīng)網(wǎng)絡(luò)對其進(jìn)行價格預(yù)測,其次使用長短期記憶網(wǎng)絡(luò)模型對其進(jìn)行價格預(yù)測。隨后在LSTM模型的基礎(chǔ)上引入傳統(tǒng)的粒子群優(yōu)化算法,優(yōu)化參數(shù)選擇的過程,構(gòu)建基于粒子群優(yōu)化的用于股票價格預(yù)測的長短期記憶網(wǎng)絡(luò)模型。為了得到更好的預(yù)測效果,對于粒子群優(yōu)化算法中不利于尋優(yōu)過程的自身原理進(jìn)行改進(jìn),確定粒子群的最佳維度,引入慣性權(quán)重與學(xué)習(xí)因子的非線性變化,應(yīng)用遺傳算法中的自適應(yīng)變異操作,并提出新的位置更新公式,得到改進(jìn)的粒子群優(yōu)化的長短期記憶網(wǎng)絡(luò)模型。為了說明所提出改進(jìn)的優(yōu)越性,又使用了前人提出的DMPSO-LSTM模型對同樣的股票數(shù)據(jù)進(jìn)行...

【文章頁數(shù)】：55 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景與目的
        1.1.1 研究背景
        1.1.2 研究目的
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 創(chuàng)新與貢獻(xiàn)
2 預(yù)備知識
    2.1 神經(jīng)網(wǎng)絡(luò)模型
        2.1.1 神經(jīng)網(wǎng)絡(luò)特點
        2.1.2 神經(jīng)元結(jié)構(gòu)
        2.1.3 激活函數(shù)
        2.1.4 損失函數(shù)
        2.1.5 全連接神經(jīng)網(wǎng)絡(luò)
        2.1.6 卷積神經(jīng)網(wǎng)絡(luò)
        2.1.7 循環(huán)神經(jīng)網(wǎng)絡(luò)
    2.2 長短期記憶網(wǎng)絡(luò)
    2.3 粒子群優(yōu)化算法
    2.4 遺傳算法
    2.5 改進(jìn)的粒子群優(yōu)化算法
3 預(yù)測模型構(gòu)建
    3.1 BP神經(jīng)網(wǎng)絡(luò)模型
    3.2 LSTM模型
    3.3 PSO-LSTM模型
    3.4 IPSO-LSTM模型
    3.5 預(yù)測模型評價指標(biāo)
4 實證研究
    4.1 數(shù)據(jù)介紹
    4.2 實證分析
        4.2.1 BP模型預(yù)測
        4.2.2 LSTM模型預(yù)測
        4.2.3 PSO-LSTM模型預(yù)測
        4.2.4 DMPSO-LSTM模型預(yù)測
        4.2.5 IPSO-LSTM模型預(yù)測
    4.3 預(yù)測指標(biāo)分析
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 不足與展望
參考文獻(xiàn)
致謝
學(xué)位論文評閱及答辯情況表



本文編號：3877098