發(fā)布時間：2025-01-07 00:49

　　金融市場是一個巨大的動態(tài)領域,一般很難建模和預測。在最近的幾十年中,可以學習輸入和輸出值之間的非線性關系的計算智能模型逐漸被使用。由于傳統(tǒng)方法很難捕捉到高維指標與預測變量的非線性關系,因此在股票預測方面深度學習模型更具優(yōu)勢。本文利用深度學習中的卷積神經(jīng)網(wǎng)絡(CNN)構建了一個股票預測模型。在該模型基礎上對股票漲跌情況進行預測,以15天的股票數(shù)據(jù)為基礎,預測該股票在未來一周的漲跌情況,得到了較為良好的預測效果。首先,針對卷積神經(jīng)網(wǎng)絡的基礎結構以及反向傳播算法進行了探究,通過在參數(shù)學習中引入優(yōu)化器優(yōu)化訓練算法,同時對幾種常見CNN模型橫向對比分析,在LeNet-5模型基礎上構建所需的卷積神經(jīng)網(wǎng)絡模型。其次,本文構建了基于CNN模型的股票預測模型并進行實證分析,從Wind數(shù)據(jù)庫中獲取2010年1月1日至2020年1月1日的滬深300成分股的各項指標數(shù)據(jù),選取15個不同特征將樣本數(shù)據(jù)轉化為二維矩陣,通過股票未來一周的收益情況將其分為上漲、震蕩、下跌三類情況,創(chuàng)新性地使用滑動窗口法增加樣本量,將所有樣本分為五個訓練集及測試集。然后,使用搭建好的卷積神經(jīng)網(wǎng)絡模型對所有股票數(shù)據(jù)進行訓練測試,并依據(jù)卷積...

【文章頁數(shù)】：59 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號說明
第一章 緒論
    1.1研究背景與意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 金融中的機器學習
        1.2.2 金融中的深度學習
    1.3 研究內容與論文結構
        1.3.1 主要貢獻及創(chuàng)新
第二章 卷積神經(jīng)網(wǎng)絡基礎結構及其在股票預測方面的應用
    2.1 金融市場預測
    2.2 卷積神經(jīng)網(wǎng)絡結構
        2.2.1 輸入層
        2.2.2 卷積層
        2.2.3 池化層
        2.2.4 激活函數(shù)
        2.2.5 全連接層
    2.3 反向傳播
    2.4 優(yōu)化器
        2.4.1 Adagrad
        2.4.2 Adadelta
        2.4.3 Adam
    2.5 本章小結
第三章 股票預測模型樣本構造
    3.1 樣本預處理及特征分析
    3.2 樣本標記及樣本矩陣生成
    3.3 特征組合選擇
    3.4 特征分析及構造
    3.5 訓練集及測試集生成
    3.6 本章小結
第四章 構建CNN-股票預測模型
    4.1 卷積神經(jīng)網(wǎng)絡結構設計及訓練
    4.2 模型評估指標
    4.3 模型參數(shù)對預測結果的影響
        4.3.1 卷積核尺寸
        4.3.2 卷積核數(shù)量
        4.3.3 激活函數(shù)類型
        4.3.4 全連接層神經(jīng)元數(shù)量
    4.4 Dropout概率
    4.5 優(yōu)化器
    4.6 樣本分類不均衡的解決方案
    4.7 模型比較分析
    4.8 本章小結
第五章 總結與展望
    5.1 總結
    5.2 展望
參考文獻
致謝
學位論文評閱及答辯情況表



本文編號：4024245