【摘要】：在金融二級(jí)市場(chǎng)上對(duì)數(shù)據(jù)的分析方法主要是基于統(tǒng)計(jì)學(xué)和人工建模的方法,本文通過(guò)對(duì)金融二級(jí)市場(chǎng)數(shù)據(jù)的特性分析和研究,提出了在金融二級(jí)市場(chǎng)上使用神經(jīng)網(wǎng)絡(luò)方法的思路。本文證明了在二級(jí)市場(chǎng)使用神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)分析的可行性。并且通過(guò)分析金融二級(jí)市場(chǎng)的數(shù)據(jù),把整個(gè)數(shù)據(jù)來(lái)源分為三個(gè)模塊,并且根據(jù)金融數(shù)據(jù)的特點(diǎn)和一些金融分析方法的先驗(yàn)知識(shí),設(shè)計(jì)出一種適合于處理金融數(shù)據(jù)的CNN-LSTM網(wǎng)絡(luò)來(lái)處理數(shù)據(jù),該網(wǎng)絡(luò)能夠通過(guò)CNN網(wǎng)絡(luò)去分析數(shù)據(jù)的價(jià)格的形態(tài)特征和數(shù)據(jù)的時(shí)序特征,通過(guò)這兩個(gè)網(wǎng)絡(luò)的組合,可以有效的對(duì)金融二級(jí)市場(chǎng)的數(shù)據(jù)進(jìn)行分析。該網(wǎng)絡(luò)對(duì)比傳統(tǒng)的簡(jiǎn)單的統(tǒng)計(jì)方法和一些神經(jīng)網(wǎng)絡(luò)方法比如邏輯回歸,卷積神經(jīng)網(wǎng)絡(luò)(CNN),長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)等方法,在對(duì)市場(chǎng)價(jià)格變化在較短時(shí)間內(nèi)的預(yù)測(cè)和在較長(zhǎng)時(shí)間內(nèi)的預(yù)測(cè)都有一定的提高,比簡(jiǎn)單的統(tǒng)計(jì)方法提高7%左右,比其他神經(jīng)網(wǎng)絡(luò)提高4%左右。
【圖文】：

第三章 神經(jīng)網(wǎng)絡(luò)原理介紹3.1 梯度下降梯度下降是很多機(jī)器學(xué)習(xí)算法中求解最優(yōu)值的算法。在這些算法中，很多時(shí)候需要對(duì)誤差函數(shù)進(jìn)行求解其最小值，通過(guò)梯度下降的方法一步一步的迭代求解，從而最后求出最優(yōu)值對(duì)應(yīng)的參數(shù)。3.1.1 梯度下降原理簡(jiǎn)單的來(lái)說(shuō)梯度下降的思路就是對(duì)于一個(gè)很難求解最優(yōu)值的問(wèn)題，從一個(gè)隨機(jī)的位置作為起點(diǎn)，對(duì)于求解最小值問(wèn)題就是從這個(gè)點(diǎn)找出值下降最快的方向，并且向這個(gè)方向走一小步，然后在新的點(diǎn)上找出這個(gè)點(diǎn)下降最快的方向繼續(xù)走一步，不斷的重復(fù)這一過(guò)程從而走到最小值這個(gè)點(diǎn)上。但是這一過(guò)程并不能保證我們找到的可能不是全局最優(yōu)解，而是一個(gè)局部最優(yōu)的解[7]。這種算法可以很直觀的從圖 3-1 表現(xiàn)出來(lái)。

1]區(qū)間之中。所以此時(shí)我們可以得出邏輯： ( ) = ( ) 得到了邏輯回歸的預(yù)測(cè)函數(shù)，可以正向計(jì)算出預(yù)測(cè)結(jié)果降的方法優(yōu)化我們計(jì)算出的結(jié)果就需要定義一個(gè)誤差值和真實(shí)值之間的差，這個(gè)函數(shù)被稱(chēng)為誤差函數(shù)。邏所示： ) = ( ￡ ( ( )) ( ) ￡ ( ( )) )中， 是真實(shí)值， ( )是我們計(jì)算出的預(yù)測(cè)值，可以零，，式子的前半部分為零，后半部分的值如果預(yù)測(cè)值預(yù)測(cè)值越接近真實(shí)值該式子給出的誤差越小，對(duì)于真差函數(shù)之后，我們可以把預(yù)測(cè)的問(wèn)題轉(zhuǎn)化成一個(gè)求出后可以通過(guò)梯度下降的方法求出最優(yōu)的解，從而得出
【學(xué)位授予單位】：上海交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類(lèi)號(hào)】：F830.9;TP18

【參考文獻(xiàn)】

相關(guān)碩士學(xué)位論文 前1條

1 孫瑞奇;基于LSTM神經(jīng)網(wǎng)絡(luò)的美股股指價(jià)格趨勢(shì)預(yù)測(cè)模型的研究[D];首都經(jīng)濟(jì)貿(mào)易大學(xué);2016年

本文編號(hào)：2645223