面對(duì)復(fù)雜多變的金融市場(chǎng),人工智能技術(shù)的快速發(fā)展獲得了眾多學(xué)者的關(guān)注,人們開始探索利用復(fù)雜的深度學(xué)習(xí)技術(shù)對(duì)金融市場(chǎng)進(jìn)行分析研究。金融市場(chǎng)每天都會(huì)產(chǎn)生大量數(shù)據(jù),這些數(shù)據(jù)關(guān)聯(lián)性錯(cuò)綜復(fù)雜,依靠傳統(tǒng)方式難以實(shí)現(xiàn)快速分析。深度學(xué)習(xí)擁有傳統(tǒng)模型所不具備的大數(shù)據(jù)非線性處理能力,能夠通過對(duì)大量數(shù)據(jù)學(xué)習(xí)訓(xùn)練,從中挖掘數(shù)據(jù)特征進(jìn)而構(gòu)建模型,成為研究金融市場(chǎng)的重要手段。近年來,隨著內(nèi)地投資者將投資視野拓展到港股市場(chǎng),港股市場(chǎng)的風(fēng)險(xiǎn)開始受到學(xué)術(shù)界的關(guān)注。本文在已有研究基礎(chǔ)上,選用長短期記憶神經(jīng)網(wǎng)絡(luò)模型,研究恒生股指期貨價(jià)格波動(dòng),致力于對(duì)恒生股指期貨價(jià)格變化作出分析判斷,服務(wù)于監(jiān)管者市場(chǎng)監(jiān)督和投資者交易決策。本文采取理論分析與實(shí)證檢驗(yàn)相結(jié)合的方法,以香港恒生股指期貨為研究對(duì)象,選取2011年至2020年間恒生指數(shù)期貨日交易數(shù)據(jù)進(jìn)行研究。在借鑒已有研究基礎(chǔ)上,通過實(shí)證檢驗(yàn)證實(shí)恒生股指期貨時(shí)序數(shù)據(jù)中存在長記憶性,提出一種可以克服金融時(shí)序數(shù)據(jù)長記憶性的長短期記憶神經(jīng)網(wǎng)絡(luò)模型,以反向傳播算法模型作為對(duì)比,實(shí)證結(jié)果顯示長短期記憶神經(jīng)網(wǎng)絡(luò)對(duì)金融時(shí)間序列數(shù)據(jù)處理具有明顯優(yōu)勢(shì)。之后,在原長短期記憶神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上提出一種增加注意力...

【文章頁數(shù)】：59 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.1神經(jīng)網(wǎng)絡(luò)原理

16工程學(xué)、計(jì)算機(jī)、數(shù)學(xué)等都從神經(jīng)網(wǎng)絡(luò)中汲取靈感。在機(jī)器學(xué)習(xí)領(lǐng)域，神經(jīng)網(wǎng)絡(luò)特指人工神經(jīng)網(wǎng)絡(luò)，一個(gè)完整的人工神經(jīng)網(wǎng)絡(luò)通常包含輸入層、隱藏層和輸出層三個(gè)部分。數(shù)據(jù)通過第一層輸入層進(jìn)入網(wǎng)絡(luò)，再通過中間的隱藏層進(jìn)行計(jì)算，最后通過輸出層并輸出最終結(jié)果。神經(jīng)網(wǎng)絡(luò)原理如下圖：圖2.1神經(jīng)網(wǎng)絡(luò)原....

圖2.2BP神經(jīng)網(wǎng)絡(luò)原理

16工程學(xué)、計(jì)算機(jī)、數(shù)學(xué)等都從神經(jīng)網(wǎng)絡(luò)中汲取靈感。在機(jī)器學(xué)習(xí)領(lǐng)域，神經(jīng)網(wǎng)絡(luò)特指人工神經(jīng)網(wǎng)絡(luò)，一個(gè)完整的人工神經(jīng)網(wǎng)絡(luò)通常包含輸入層、隱藏層和輸出層三個(gè)部分。數(shù)據(jù)通過第一層輸入層進(jìn)入網(wǎng)絡(luò)，再通過中間的隱藏層進(jìn)行計(jì)算，最后通過輸出層并輸出最終結(jié)果。神經(jīng)網(wǎng)絡(luò)原理如下圖：圖2.1神經(jīng)網(wǎng)絡(luò)原....

圖2.3LSTM神經(jīng)網(wǎng)絡(luò)

2.2.3LSTM神經(jīng)網(wǎng)絡(luò)原理長短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）是循環(huán)神經(jīng)網(wǎng)絡(luò)中的一種，在循環(huán)神經(jīng)網(wǎng)絡(luò)中，神經(jīng)元可以自動(dòng)的將先前的有用信息利用到當(dāng)前的任務(wù)中，但是現(xiàn)實(shí)應(yīng)用過程中仍存在諸多不足。在利用常規(guī)的循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)訓(xùn)練時(shí)，損失函數(shù)經(jīng)常遇到梯度消失或者梯度爆炸問題，而....

圖2.4細(xì)胞狀態(tài)第一個(gè)是遺忘門，決定從細(xì)胞狀態(tài)中丟棄什么信息

圖2.3LSTM神經(jīng)網(wǎng)絡(luò)LSTM運(yùn)行的關(guān)鍵就是細(xì)胞狀態(tài)，如下圖所示。傳送帶從圖上方貫穿運(yùn)行，只有少量的線性交互，信息在流傳時(shí)僅有少量變化。LSTM通過精心設(shè)計(jì)的“門”結(jié)構(gòu)來去除或者增加信息到細(xì)胞狀態(tài)，“門”是一種讓信息選擇性通過的方法，該方法包括sigmoid神....

本文編號(hào)：3920353