由于區(qū)塊鏈技術(shù)的迅速發(fā)展,加密貨幣的種類日趨增多,同時(shí)因?yàn)榻灰姿址稚?使得量化交易策略適用于價(jià)格傳導(dǎo)存在滯后的市場(chǎng)環(huán)境中。預(yù)測(cè)加密貨幣的價(jià)格趨勢(shì)能為投資者從事量化交易帶來(lái)更多盈利機(jī)會(huì)。同時(shí)加密貨幣是實(shí)現(xiàn)數(shù)字資產(chǎn)流動(dòng)的重要手段,數(shù)字經(jīng)濟(jì)的發(fā)展需要更多加密貨幣的支持。加密貨幣交易自身具有頻度高,市場(chǎng)分散,波動(dòng)性大以及不受時(shí)間和空間限制等特點(diǎn)。在傳統(tǒng)預(yù)測(cè)方法中,未能有效的保留加密貨幣交易的這些特征,因而預(yù)測(cè)精度低且效果差。深度學(xué)習(xí)中的長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)和門控循環(huán)單元(GRU)能夠解決加密貨幣價(jià)格預(yù)測(cè)中的長(zhǎng)期記憶問(wèn)題,提高預(yù)測(cè)效果。本文將門控循環(huán)單元(GRU)應(yīng)用到加密貨幣價(jià)格趨勢(shì)預(yù)測(cè)中并選取交易量最大的比特幣作為實(shí)驗(yàn)對(duì)象。首先對(duì)比特幣的交易價(jià)格數(shù)據(jù)進(jìn)行預(yù)處理,選取相應(yīng)的指標(biāo)作為特征輸入。然后將循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)、長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)以及GRU應(yīng)用到構(gòu)建比特幣預(yù)測(cè)模型中,并將實(shí)驗(yàn)結(jié)果進(jìn)行了對(duì)比。通過(guò)實(shí)驗(yàn)證明了GRU在解決高頻分散不間斷交易為特點(diǎn)的加密貨幣市場(chǎng)上的價(jià)格預(yù)測(cè)上面具有優(yōu)勢(shì)。對(duì)比實(shí)驗(yàn)結(jié)果,LSTM和GRU比RNN取得了更好的效果,而GRU模型在訓(xùn)練耗時(shí)上比LSTM... 

【文章來(lái)源】：湘潭大學(xué)湖南省

【文章頁(yè)數(shù)】：44 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

RNN網(wǎng)絡(luò)基本結(jié)構(gòu)

d procedure 長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)本的循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)存在梯度爆炸和梯度消失問(wèn)題，而長(zhǎng)短期記憶網(wǎng)TM)可以解決 RNN 無(wú)法解決的梯度爆炸和梯度消失問(wèn)題，可以處理 RNN理長(zhǎng)距離的問(wèn)題。環(huán)神經(jīng)網(wǎng)絡(luò)( )在隱藏層中僅存在狀態(tài) ，在短期輸入中，狀態(tài) 的反應(yīng)，但不能將長(zhǎng)期狀態(tài)保留下來(lái)，在 中，增加了一個(gè)狀態(tài) ，使其變成網(wǎng)絡(luò)模型長(zhǎng)短期記憶網(wǎng)絡(luò) 。開(kāi)的 LSTM 示意圖 2.2 所示：

圖 2.3 LSTM 控制時(shí)間狀態(tài)示意圖STM 在正向計(jì)算過(guò)程中使用了門，門表示一層全連接層，在計(jì)算時(shí)向量，輸出一個(gè)實(shí)數(shù)向量，其范圍為 0 1。 2-30 式中， 是門的權(quán)重向量， 是偏置項(xiàng)。長(zhǎng)短期記憶網(wǎng)絡(luò)( )通過(guò)門來(lái)判斷是否讓信息傳遞下去，如果輸出就不會(huì)傳遞下去任何信息，如果輸出為 1，那么就將上一時(shí)刻的信息全去，通過(guò)輸出的不同值來(lái)控制傳遞的信息是門的重要作用，也是長(zhǎng)短期中非常重要的一環(huán)。在長(zhǎng)短期記憶網(wǎng)絡(luò)中，通過(guò)遺忘門和輸入門來(lái)控制單元狀態(tài)，當(dāng)前時(shí)間信息是由前一時(shí)刻保留下來(lái)的，是通過(guò)遺忘門來(lái)控制的；單元狀態(tài)中有是通過(guò)當(dāng)前時(shí)間點(diǎn)的輸入保留下來(lái)的，是通過(guò)輸入門來(lái)控制的；然后長(zhǎng)網(wǎng)絡(luò)使用輸出門來(lái)決定多少信息輸出。遺忘門的計(jì)算公式為：

【參考文獻(xiàn)】：
期刊論文
[1]GRU神經(jīng)網(wǎng)絡(luò)短期電力負(fù)荷預(yù)測(cè)研究[J]. 周莽,高僮,李晨光,姜辰龍.  科技創(chuàng)新與應(yīng)用. 2018(33)
[2]GRU遞歸神經(jīng)網(wǎng)絡(luò)對(duì)股票收盤價(jià)的預(yù)測(cè)研究[J]. 黎鐳,陳藹祥,李偉書(shū),梁偉琪,楊思桐.  計(jì)算機(jī)與現(xiàn)代化. 2018(11)
[3]運(yùn)用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建比特幣市場(chǎng)預(yù)測(cè)模型[J]. 李靖.  財(cái)會(huì)月刊. 2016(21)
[4]基于小波分析的比特幣價(jià)格預(yù)測(cè)[J]. 梁秋,王凡彬,余龍秀,李強(qiáng),吳冰潔.  內(nèi)江科技. 2015(05)

碩士論文
[1]基于神經(jīng)網(wǎng)絡(luò)的股指期貨價(jià)格預(yù)測(cè)研究與應(yīng)用[D]. 胡文鵬.湖南大學(xué) 2018
[2]基于交通流量預(yù)測(cè)的車聯(lián)網(wǎng)技術(shù)研究[D]. 郭靖彥.電子科技大學(xué) 2018
[3]基于深度學(xué)習(xí)的蛋白質(zhì)殘基相互作用預(yù)測(cè)[D]. 曹成遠(yuǎn).蘇州大學(xué) 2016
[4]比特幣交易趨勢(shì)預(yù)測(cè)的研究[D]. 艾青.北京郵電大學(xué) 2016



本文編號(hào)：2927122