隨著我國(guó)資本市場(chǎng)的快速發(fā)展和居民收入水平的逐步提升,股票市場(chǎng)吸引了越來(lái)越多的投資者參與其中,特別是在2020年新冠疫情影響下,為提振經(jīng)濟(jì)實(shí)行的較為寬松的貨幣政策令股票市場(chǎng)表現(xiàn)不俗,股市吸引了大量新增投資者。數(shù)據(jù)顯示,截至2020年12月,中國(guó)A股投資者共計(jì)1.77億戶,戶均市值達(dá)到45萬(wàn),全年新增投資者1802.11萬(wàn)戶,同比增加了36.02%。股市的參與人數(shù)眾多說(shuō)明市場(chǎng)交易活躍,但是,個(gè)人投資者在交易中存在非理性投機(jī)傾向,盲目地追漲殺跌不利于股票市場(chǎng)的健康發(fā)展。倘若能夠利用技術(shù)手段對(duì)股票價(jià)格走勢(shì)進(jìn)行預(yù)測(cè),同時(shí)為投資者提供投資參考建議,那么此舉將會(huì)促進(jìn)資本市場(chǎng)的良性發(fā)展并提升投資者的收益水平,具有較強(qiáng)的理論和現(xiàn)實(shí)意義。本文在股票價(jià)格趨勢(shì)預(yù)測(cè)中引入深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)算法,將兩種原理不同的神經(jīng)網(wǎng)絡(luò)架構(gòu)CNN和LSTM相結(jié)合來(lái)對(duì)股價(jià)漲跌進(jìn)行預(yù)測(cè)。首先,對(duì)上證50指數(shù)成分股自2011年至2020年的日頻原始交易數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理,采用滑窗滾動(dòng)方式生成數(shù)據(jù)樣本來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型,通過(guò)對(duì)不同輸入變量下模型預(yù)測(cè)準(zhǔn)確度之間相互比較來(lái)確定本文研究模型的輸入變量,最終得到包括個(gè)股基本交易指標(biāo)、上證50指數(shù)指...

【文章頁(yè)數(shù)】：85 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖3-1M-P神經(jīng)元模型

第三章相關(guān)概念與理論基礎(chǔ)15高層的網(wǎng)絡(luò)表達(dá)由低層表達(dá)組合而成，通過(guò)這種方式實(shí)現(xiàn)對(duì)輸入數(shù)據(jù)的分級(jí)表達(dá)。由于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)隱藏層數(shù)量很多，從而能夠?qū)崿F(xiàn)無(wú)限逼近任何非線性函數(shù)，便于對(duì)非線性問(wèn)題進(jìn)行擬合研究。近年來(lái)，深度學(xué)習(xí)在很多研究領(lǐng)域突破了傳統(tǒng)機(jī)器學(xué)習(xí)的瓶頸，不斷推動(dòng)著人工智能的....

圖3-2三種常用的激活函數(shù)

西北大學(xué)碩士學(xué)位論文16的線性關(guān)系轉(zhuǎn)化為非線性關(guān)系，常用的激活函數(shù)有ReLU函數(shù)、sigmoid函數(shù)和tanh函數(shù)，三種函數(shù)圖像如圖3-2所示。圖3-2三種常用的激活函數(shù)顯然，這三種激活函數(shù)圖像有很大差異因此各自特點(diǎn)也不同，ReLU函數(shù)能夠加快神經(jīng)網(wǎng)絡(luò)模型收斂速度，sigmoid....

圖3-3神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

西北大學(xué)碩士學(xué)位論文16的線性關(guān)系轉(zhuǎn)化為非線性關(guān)系，常用的激活函數(shù)有ReLU函數(shù)、sigmoid函數(shù)和tanh函數(shù)，三種函數(shù)圖像如圖3-2所示。圖3-2三種常用的激活函數(shù)顯然，這三種激活函數(shù)圖像有很大差異因此各自特點(diǎn)也不同，ReLU函數(shù)能夠加快神經(jīng)網(wǎng)絡(luò)模型收斂速度，sigmoid....

圖3-4模型不同擬合程度示意圖

較長(zhǎng)的時(shí)間才能達(dá)到收斂，如果學(xué)習(xí)率太大，模型又有可能在最優(yōu)值附近徘徊而無(wú)法收斂，在實(shí)際中設(shè)定好初始學(xué)習(xí)率后，通過(guò)從大到小試錯(cuò)來(lái)確定模型的學(xué)習(xí)率。神經(jīng)網(wǎng)絡(luò)通過(guò)反向傳播誤差來(lái)調(diào)整模型內(nèi)部參數(shù)，最終達(dá)到損失函數(shù)最小化，此時(shí)神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練結(jié)束，接下來(lái)通過(guò)模型在樣本外數(shù)據(jù)上的預(yù)測(cè)表現(xiàn)來(lái)評(píng)....

本文編號(hào)：3962064