本文關(guān)鍵詞：改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)在金融預(yù)測中的應(yīng)用研究

  更多相關(guān)文章： 卷積神經(jīng)網(wǎng)絡(luò) 支持向量機(jī) 金融預(yù)測 時間序列 深度學(xué)習(xí) 神經(jīng)網(wǎng)絡(luò) 股票預(yù)測 匯率預(yù)測

【摘要】：世界經(jīng)濟(jì)正處在快速發(fā)展階段,金融業(yè)也隨之不斷發(fā)展,金融活動日益增多,其變化趨勢的不確定性也在增加。如何通過學(xué)習(xí)和掌握金融活動規(guī)律,預(yù)測其未來的變化趨勢,成為學(xué)術(shù)界和金融界的關(guān)注重點和主要研究內(nèi)容。有效的金融預(yù)測可以為金融計劃和決策的制定提供依據(jù),維持金融市場的健康發(fā)展,使盈利機(jī)構(gòu)的利益最大化。卷積神經(jīng)網(wǎng)絡(luò)是一種模擬生物視覺系統(tǒng)運(yùn)行機(jī)制的多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。它是由多層卷積層和降采樣層順序連接構(gòu)成的神經(jīng)網(wǎng)絡(luò),能夠從原始數(shù)據(jù)中獲取有用的特征描述,是一種從數(shù)據(jù)中提取特征的有效方法。目前卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)成為語音識別、圖像識別及分類、自然語言處理等領(lǐng)域的研究熱點,并在這些領(lǐng)域有了廣泛且成功的應(yīng)用。因此本文引入卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對金融時間序列數(shù)據(jù)進(jìn)行預(yù)測。本文首先整理和總結(jié)了國內(nèi)外關(guān)于金融時間序列的研究方法,簡要介紹了人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)方法,并重點介紹了卷積神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的算法原理。然后改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)以適合金融時間序列數(shù)據(jù),并建立卷積神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)融合的混合模型,最后將兩種預(yù)測模型應(yīng)用于金融時間序列數(shù)據(jù)的預(yù)測中。本文主要的研究工作如下:(1)結(jié)合金融時間序列數(shù)據(jù)的特點,改進(jìn)卷積神經(jīng)網(wǎng)絡(luò),建立了適用于金融時間序列數(shù)據(jù)的卷積神經(jīng)網(wǎng)絡(luò)預(yù)測模型,并將模型應(yīng)用于股票指數(shù)預(yù)測。研究了網(wǎng)絡(luò)模型的相關(guān)參數(shù)對股票指數(shù)預(yù)測結(jié)果的影響;(2)改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)股票指數(shù)預(yù)測模型,將卷積神經(jīng)網(wǎng)提取有效特征的優(yōu)點與支持向量機(jī)良好的分類預(yù)測能力相結(jié)合,給出了一種卷積神經(jīng)網(wǎng)絡(luò)-支持向量機(jī)混合模型預(yù)測股票指數(shù),提高預(yù)測精度;(3)建立了基于卷積神經(jīng)網(wǎng)絡(luò)的匯率預(yù)測模型,研究了模型參數(shù)對匯率預(yù)測結(jié)果的影響;將卷積神經(jīng)網(wǎng)絡(luò)-支持向量機(jī)混合預(yù)測模型應(yīng)用于匯率預(yù)測中。通過仿真對比,驗證本文給出的兩種預(yù)測模型的可行性和有效性。
【關(guān)鍵詞】：卷積神經(jīng)網(wǎng)絡(luò) 支持向量機(jī) 金融預(yù)測 時間序列 深度學(xué)習(xí) 神經(jīng)網(wǎng)絡(luò) 股票預(yù)測 匯率預(yù)測
【學(xué)位授予單位】：鄭州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：F832;TP183
【目錄】：

• 摘要4-5
• Abstract5-12
• 1 緒論12-17
• 1.1 金融預(yù)測12
• 1.2 研究背景及意義12-13
• 1.3 金融預(yù)測研究綜述13-15
• 1.3.1 定性預(yù)測方法13
• 1.3.2 定量預(yù)測方法13
• 1.3.3 基于數(shù)據(jù)挖掘的預(yù)測方法13-15
• 1.4 本文主要內(nèi)容15-17
• 2 深度學(xué)習(xí)與支持向量機(jī)17-34
• 2.1 人工神經(jīng)網(wǎng)絡(luò)17-22
• 2.1.1 單個神經(jīng)元17-18
• 2.1.2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)18-19
• 2.1.3 BP網(wǎng)絡(luò)19-22
• 2.2 深度學(xué)習(xí)22-28
• 2.2.1 深度置信網(wǎng)絡(luò)23-25
• 2.2.2 堆棧自編碼網(wǎng)絡(luò)25-26
• 2.2.3 卷積神經(jīng)網(wǎng)絡(luò)26-28
• 2.3 支持向量機(jī)28-33
• 2.3.1 最優(yōu)分類面29-31
• 2.3.2 非線性映射31-32
• 2.3.3 核函數(shù)32-33
• 2.3.4 序列最小化算法33
• 2.4 本章小結(jié)33-34
• 3 基于卷積神經(jīng)網(wǎng)絡(luò)的股票指數(shù)預(yù)測模型34-61
• 3.1 基于CNN的股票指數(shù)預(yù)測模型34-37
• 3.1.1 構(gòu)建CNN股票指數(shù)預(yù)測模型34-35
• 3.1.2 輸入樣本選擇：滑動窗口技術(shù)35-36
• 3.1.3 CNN模型結(jié)構(gòu)參數(shù)關(guān)系36
• 3.1.4 CNN模型算法實現(xiàn)36-37
• 3.2 模型參數(shù)對預(yù)測結(jié)果的影響37-51
• 3.2.1 數(shù)據(jù)預(yù)處理37-38
• 3.2.2 卷積層和降采樣層對預(yù)測結(jié)果的影響38-41
• 3.2.3 卷積核大小對預(yù)測結(jié)果的影響41-44
• 3.2.4 卷積核個數(shù)對預(yù)測結(jié)果的影響44-47
• 3.2.5 輸入樣本長度對預(yù)測結(jié)果的影響47-50
• 3.2.6 確立CNN股票指數(shù)預(yù)測模型50-51
• 3.3 基于CNN-SVM的股票指數(shù)預(yù)測模型51-55
• 3.3.1 構(gòu)建CNN-SVM股票指數(shù)預(yù)測模型51-52
• 3.3.2 SVM核函數(shù)52-55
• 3.4 實證分析55-57
• 3.4.1 數(shù)據(jù)說明55-56
• 3.4.2 實驗結(jié)果及分析56-57
• 3.5 本章小結(jié)57-61
• 4 基于卷積神經(jīng)網(wǎng)絡(luò)的匯率預(yù)測模型61-82
• 4.1 基于CNN的匯率預(yù)測模型62
• 4.2 模型參數(shù)對預(yù)測結(jié)果的影響62-74
• 4.2.1 卷積層和降采樣層對預(yù)測結(jié)果的影響63-65
• 4.2.2 卷積核大小對預(yù)測結(jié)果的影響65-68
• 4.2.3 卷積核個數(shù)對預(yù)測結(jié)果的影響68-70
• 4.2.4 輸入樣本長度對預(yù)測結(jié)果的影響70-73
• 4.2.5 確立CNN匯率預(yù)測模型73-74
• 4.3 基于CNN-SVM的匯率預(yù)測模型74-81
• 4.3.1 構(gòu)建CNN-SVM匯率預(yù)測模型74
• 4.3.2 SVM核函數(shù)選取74-77
• 4.3.3 實證分析77-81
• 4.4 本章小結(jié)81-82
• 5 總結(jié)和展望82-84
• 5.1 主要工作和創(chuàng)新點82-83
• 5.2 展望83-84
• 參考文獻(xiàn)84-87
• 個人簡歷、在學(xué)期間發(fā)表的學(xué)術(shù)論文及研究成果87-88
• 致謝88

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 云中客;新的神經(jīng)網(wǎng)絡(luò)來自于仿生學(xué)[J];物理;2001年10期

2 唐春明,高協(xié)平;進(jìn)化神經(jīng)網(wǎng)絡(luò)的研究進(jìn)展[J];系統(tǒng)工程與電子技術(shù);2001年10期

3 李智;一種基于神經(jīng)網(wǎng)絡(luò)的煤炭調(diào)運(yùn)優(yōu)化方法[J];長沙鐵道學(xué)院學(xué)報;2003年02期

4 程科,王士同,楊靜宇;新型模糊形態(tài)神經(jīng)網(wǎng)絡(luò)及其應(yīng)用研究[J];計算機(jī)工程與應(yīng)用;2004年21期

5 王凡,孟立凡;關(guān)于使用神經(jīng)網(wǎng)絡(luò)推定操作者疲勞的研究[J];人類工效學(xué);2004年03期

6 周麗暉;從統(tǒng)計角度看神經(jīng)網(wǎng)絡(luò)[J];統(tǒng)計教育;2005年06期

7 趙奇 ,劉開第 ,龐彥軍;灰色補(bǔ)償神經(jīng)網(wǎng)絡(luò)及其應(yīng)用研究[J];微計算機(jī)信息;2005年14期

8 袁婷;;神經(jīng)網(wǎng)絡(luò)在股票市場預(yù)測中的應(yīng)用[J];軟件導(dǎo)刊;2006年05期

9 尚晉;楊有;;從神經(jīng)網(wǎng)絡(luò)的過去談科學(xué)發(fā)展觀[J];重慶三峽學(xué)院學(xué)報;2006年03期

10 楊鐘瑾;;神經(jīng)網(wǎng)絡(luò)的過去、現(xiàn)在和將來[J];青年探索;2006年04期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 徐春玉;;基于泛集的神經(jīng)網(wǎng)絡(luò)的混沌性[A];1996中國控制與決策學(xué)術(shù)年會論文集[C];1996年

2 周樹德;王巖;孫增圻;孫富春;;量子神經(jīng)網(wǎng)絡(luò)[A];2003年中國智能自動化會議論文集（上冊）[C];2003年

3 羅山;張琳;范文新;;基于神經(jīng)網(wǎng)絡(luò)和簡單規(guī)劃的識別融合算法[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會議論文集[C];2009年

4 郭愛克;馬盡文;丁康;;序言(二)[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

5 鐘義信;;知識論:神經(jīng)網(wǎng)絡(luò)的新機(jī)遇——紀(jì)念中國神經(jīng)網(wǎng)絡(luò)10周年[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

6 許進(jìn);保錚;;神經(jīng)網(wǎng)絡(luò)與圖論[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

7 金龍;朱詩武;趙成志;陳寧;;數(shù)值預(yù)報產(chǎn)品的神經(jīng)網(wǎng)絡(luò)釋用預(yù)報應(yīng)用[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

8 田金亭;;神經(jīng)網(wǎng)絡(luò)在中學(xué)生創(chuàng)造力評估中的應(yīng)用[A];第十二屆全國心理學(xué)學(xué)術(shù)大會論文摘要集[C];2009年

9 唐墨;王科俊;;自發(fā)展神經(jīng)網(wǎng)絡(luò)的混沌特性研究[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學(xué)學(xué)報（增刊）][C];2009年

10 張廣遠(yuǎn);萬強(qiáng);曹海源;田方濤;;基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的故障診斷方法研究[A];第十二屆全國設(shè)備故障診斷學(xué)術(shù)會議論文集[C];2010年

中國重要報紙全文數(shù)據(jù)庫 前10條

1 美國明尼蘇達(dá)大學(xué)社會學(xué)博士 密西西比州立大學(xué)國家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護(hù)好創(chuàng)新的“神經(jīng)網(wǎng)絡(luò)硬件”[N];中國教師報;2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計算機(jī)世界;2001年

3 葛一鳴 路邊文;人工神經(jīng)網(wǎng)絡(luò)將大顯身手[N];中國紡織報;2003年

4 中國科技大學(xué)計算機(jī)系　邢方亮;神經(jīng)網(wǎng)絡(luò)挑戰(zhàn)人類大腦[N];計算機(jī)世界;2003年

5 記者 孫剛;“神經(jīng)網(wǎng)絡(luò)”：打開復(fù)雜工藝“黑箱”[N];解放日報;2007年

6 本報記者 劉霞;美用DNA制造出首個人造神經(jīng)網(wǎng)絡(luò)[N];科技日報;2011年

7 健康時報特約記者　 張獻(xiàn)懷;干細(xì)胞移植：修復(fù)受損的神經(jīng)網(wǎng)絡(luò)[N];健康時報;2006年

8 劉力;我半導(dǎo)體神經(jīng)網(wǎng)絡(luò)技術(shù)及應(yīng)用研究達(dá)國際先進(jìn)水平[N];中國電子報;2001年

9 ;神經(jīng)網(wǎng)絡(luò)和模糊邏輯[N];世界金屬導(dǎo)報;2002年

10 鄒麗梅 陳耀群;江蘇科大神經(jīng)網(wǎng)絡(luò)應(yīng)用研究通過鑒定[N];中國船舶報;2006年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 楊旭華;神經(jīng)網(wǎng)絡(luò)及其在控制中的應(yīng)用研究[D];浙江大學(xué);2004年

2 李素芳;基于神經(jīng)網(wǎng)絡(luò)的無線通信算法研究[D];山東大學(xué);2015年

3 石艷超;憶阻神經(jīng)網(wǎng)絡(luò)的混沌性及幾類時滯神經(jīng)網(wǎng)絡(luò)的同步研究[D];電子科技大學(xué);2014年

4 王新迎;基于隨機(jī)映射神經(jīng)網(wǎng)絡(luò)的多元時間序列預(yù)測方法研究[D];大連理工大學(xué);2015年

5 付愛民;極速學(xué)習(xí)機(jī)的訓(xùn)練殘差、穩(wěn)定性及泛化能力研究[D];中國農(nóng)業(yè)大學(xué);2015年

6 李輝;基于粒計算的神經(jīng)網(wǎng)絡(luò)及集成方法研究[D];中國礦業(yè)大學(xué);2015年

7 王衛(wèi)蘋;復(fù)雜網(wǎng)絡(luò)幾類同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學(xué);2015年

8 張海軍;基于云計算的神經(jīng)網(wǎng)絡(luò)并行實現(xiàn)及其學(xué)習(xí)方法研究[D];華南理工大學(xué);2015年

9 李艷晴;風(fēng)速時間序列預(yù)測算法研究[D];北京科技大學(xué);2016年

10 陳輝;多維超精密定位系統(tǒng)建模與控制關(guān)鍵技術(shù)研究[D];東南大學(xué);2015年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 章穎;混合不確定性模塊化神經(jīng)網(wǎng)絡(luò)與高校效益預(yù)測的研究[D];華南理工大學(xué);2015年

2 賈文靜;基于改進(jìn)型神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電系統(tǒng)預(yù)測及控制研究[D];燕山大學(xué);2015年

3 李慧芳;基于憶阻器的渦卷混沌系統(tǒng)及其電路仿真[D];西南大學(xué);2015年

4 陳彥至;神經(jīng)網(wǎng)絡(luò)降維算法研究與應(yīng)用[D];華南理工大學(xué);2015年

5 董哲康;基于憶阻器的組合電路及神經(jīng)網(wǎng)絡(luò)研究[D];西南大學(xué);2015年

6 武創(chuàng)舉;基于神經(jīng)網(wǎng)絡(luò)的遙感圖像分類研究[D];昆明理工大學(xué);2015年

7 李志杰;基于神經(jīng)網(wǎng)絡(luò)的上證指數(shù)預(yù)測研究[D];華南理工大學(xué);2015年

8 陳少吉;基于神經(jīng)網(wǎng)絡(luò)血壓預(yù)測研究與系統(tǒng)實現(xiàn)[D];華南理工大學(xué);2015年

9 張韜;幾類時滯神經(jīng)網(wǎng)絡(luò)穩(wěn)定性分析[D];渤海大學(xué);2015年

10 邵雪瑩;幾類時滯不確定神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析[D];渤海大學(xué);2015年

，

本文編號：877701