經過數(shù)十年的發(fā)展我國證券市場不斷完善,參與證券投資的個人投資者人數(shù)眾多。對投資者的投資行為進行客觀、科學的評價可以幫助投資者確立理性的投資理念,但大多數(shù)個人投資者不具備專業(yè)的投資知識,無法獨立對自己的投資行為做出準確的分析評價。由于個人投資者的投資行為與基金投資行為存在較大的差別,目前以基金為研究對象的業(yè)績歸因模型無法直接應用到個人投資者的投資行為分析中。此外投資者在投資過程中積累了大量的投資行為數(shù)據(jù),簡單地進行歸因分析并無法完全利用用戶投資行為數(shù)據(jù)中蘊含的信息。針對現(xiàn)有的問題,本課題以用戶投資行為作為研究對象,提出了用戶業(yè)績歸因模型,并對將循環(huán)神經網絡模型應用于用戶投資行為建模分析進行研究。本文的研究工作包括以下幾個研究內容:針對傳統(tǒng)機器學習算法只使用用戶投資行為的統(tǒng)計特征,無法處理用戶投資行為中包含的其他豐富信息的問題,例如:時間動態(tài)信息、用戶行為偏好等。本文將在處理序列化數(shù)據(jù)中應用廣泛的RNN網絡引入對用戶投資行為的建模中,在投資行為預測任務中訓練模型。針對用戶投資行為數(shù)據(jù)集,本文對RNN網絡進行了相應的調整優(yōu)化。同時引入注意力機制,模型對投資行為分配不同的權重,使得模型的可解釋性更好。由于上面的模型在用戶投資行為建模過程僅使用了用戶投資行為的序列信息,忽略了相關用戶信息的重要性,只學習到了投資行為數(shù)據(jù)中蘊含的用戶行為模式或用戶偏好信息。本文進一步研究為LSTM神經單元添加新的門控單元引入用戶信息,引入用戶信息后模型在評價指標上的性能有一定的提升。注意力機制的引入可能使神經網絡模型過于關注用戶投資行為序列中的某些行為造成模型過于關注局部性信息而忽略了序列全局信息,使得模型學習到的信息過于偏頗不能全面真實地反映用戶行為記錄。本文使用并行聯(lián)合訓練的模型框架去解決該問題,基于原始LSTM神經元和改進后的LSTM神經元的并行聯(lián)合訓練模型的性能在評價指標均有提升。針對現(xiàn)有的Brinson業(yè)績歸因模型無法應用到個人投資者投資行為分析的問題,本文重新定義了用戶投資實際收益率的計算方法,并在該基礎上提出適用于個人投資者的用戶業(yè)績歸因模型。基于用戶業(yè)績歸因模型搭建了用戶投資行為量化分析評價系統(tǒng)。
【學位單位】：哈爾濱工業(yè)大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：F832.51;F224
【部分圖文】：

哈爾濱工業(yè)大學工學碩士學位論文2.2.1 循環(huán)神經網絡結構及其變種循環(huán)神經網絡(RNN)[40]：是被設計可以更好地處理序列數(shù)據(jù)。循環(huán)神經網絡通過引入隱藏狀態(tài)來存儲過去數(shù)據(jù)提供的信息，存儲的過去信息和當前輸入數(shù)據(jù)共同影響后序的信息，這就使得循環(huán)神經網絡有記憶功能，可以記憶之前數(shù)據(jù)提供的相關信息。循環(huán)神經網絡記憶之前的隱藏狀態(tài)并非全部存儲，而是通過一個隱藏狀態(tài)這樣極大地減少了模型參數(shù)的數(shù)量。

的長依賴關系，提出了門控循環(huán)神經網絡，它可以通過門控單元控制信息的流動，長短時記憶網絡就是一種常用的門控循環(huán)神經網絡。LSTM 相較于 RNN 引入了三個“門”，分別為輸入門、遺忘門和輸出門，除了引入門控單元還添加了與隱藏狀態(tài)形狀相同的特殊隱藏狀態(tài)來保存額外的信息被稱為記憶細胞。LSTM 的詳細結構如圖 2-2 所示。

層的隱藏單元有一定的概率失效丟棄，該方法只在訓練時起作用，可以增強的泛化能力。Dropout 機制的示意圖如圖 2-5 所示。Dropout 令隱藏單元失效可以使網絡結構更加簡化，訓練像在訓練一個模型的集合中的所有模型，集每個模型的參數(shù)減少但整個模型集合的參數(shù)數(shù)目不變，這就很好的緩解了深習模型訓練過程中容易過擬合的問題。
【相似文獻】

相關期刊論文 前10條

1 劉德勝;司光亞;蔣亞群;羅批;;面向戰(zhàn)爭問題的群體行為建模研究綜述[J];系統(tǒng)仿真學報;2013年02期

2 司光亞;胡曉峰;李志強;楊志謀;;戰(zhàn)爭模擬中大規(guī)模群體行為建模研究與實踐[J];軍事運籌與系統(tǒng)工程;2011年01期

3 仲輝;王維平;黃炎焱;李群;;一種基于π演算的行為建模形式化方法[J];系統(tǒng)工程理論與實踐;2009年05期

4 李延芳;吳朝暉;;行為建模在齒輪設計中的應用[J];寧波工程學院學報;2008年04期

5 杜瑾;劉均;鄭慶華;丁嬌;龔智勇;韓殿哲;;一種基于網頁元數(shù)據(jù)的用戶訪問行為建模方法[J];西安交通大學學報;2008年02期

6 周克媛,韓先征;行為建模技術(Behavioral Modeling)在零件設計中的應用[J];青島職業(yè)技術學院學報;2004年01期

7 求索;行為建模技術[J];計算機輔助設計與制造;2000年02期

8 林勇;史慶春;;行為建模在單拐曲軸設計中的應用[J];科技與創(chuàng)新;2015年20期

9 王鑫;杜林芳;;行為建模技術在減速器優(yōu)化與仿真設計中的應用[J];河南工程學院學報(自然科學版);2013年02期

10 王棟;柏彥奇;孫曉;;裝備保障執(zhí)行層的機動行為建模[J];價值工程;2011年15期

相關博士學位論文 前10條

1 孫林;CGF中的指控行為建模關鍵技術研究[D];國防科技大學;2017年

2 吳潤澤;基于認知診斷的學生作答行為建模方法及應用研究[D];中國科學技術大學;2018年

3 付躍文;面向群體性事件的人群行為建模與控制方法研究[D];國防科學技術大學;2016年

4 鄭義;計算機生成兵力行為建模與實現(xiàn)技術研究[D];國防科學技術大學;2003年

5 陳中祥;基于BDI Agent的CGF主體行為建模理論與技術研究[D];華中科技大學;2004年

6 劉雁飛;駕駛行為建模研究[D];浙江大學;2007年

7 張會;虛擬群體組織協(xié)同行為建模方法研究[D];國防科學技術大學;2006年

8 劉曉紅;面向虛擬概念設計的機械產品行為建模及關鍵技術研究[D];武漢理工大學;2003年

9 張巍;群體協(xié)同行為建模與仿真技術研究[D];國防科學技術大學;2012年

10 譚論正;基于視覺的駕駛行為建模[D];中南大學;2014年

相關碩士學位論文 前10條

1 李行;信號燈轉換期間的穿越行為建模與分析[D];北京交通大學;2019年

2 張紹明;用戶投資行為建模及歸因分析方法研究[D];哈爾濱工業(yè)大學;2018年

3 王苗;《行為計算機科學：結合人類和系統(tǒng)行為建模的議程》英漢翻譯實踐報告[D];天津理工大學;2019年

4 張子龍;人群聚集行為建模及仿真技術的研究[D];天津理工大學;2019年

5 付延昌;基于行為樹的CGF行為建模研究[D];國防科學技術大學;2016年

6 夏利;基于代理的社會網絡用戶購買行為建模與實驗分析[D];南京郵電大學;2018年

7 柴程;基于多智能體的人群行為建模及仿真研究[D];西安電子科技大學;2018年

8 杜易霖;基于Swarm的模擬電磁機制的蜂群覓食行為建模與仿真[D];太原科技大學;2016年

9 陳偉;情感智能體認知行為建模研究[D];國防科學技術大學;2011年

10 周銀;基于有限自動機的軟件行為建模方法的研究[D];北京理工大學;2011年

本文編號：2858967