【摘要】：近年來,國內(nèi)外證券行業(yè)的市場交易行為趨向于規(guī)范化、趨勢化,以市場價(jià)格規(guī)律為導(dǎo)向的交易行為逐漸占據(jù)重要地位。上述交易行為中,對證券產(chǎn)品的分析方法主要是根據(jù)證券數(shù)據(jù),建立相應(yīng)的技術(shù)指標(biāo),并按照該指標(biāo)預(yù)測未來價(jià)格走向趨勢。單一技術(shù)指標(biāo)分析的效果取決于其預(yù)測的準(zhǔn)確率,如“雪球網(wǎng)”的量化投資人所述,在大量多次投資情況下,超過50%準(zhǔn)確率的技術(shù)指標(biāo)可以將微小的準(zhǔn)確率優(yōu)勢轉(zhuǎn)化為盈利。目前主流的技術(shù)指標(biāo),是通過設(shè)立若干篩選條件,選擇部分符合條件的股票,并預(yù)測未來價(jià)格走勢。例如“均線多頭并列”技術(shù)指標(biāo)、“相似K線”技術(shù)指標(biāo)等等。然而,這些技術(shù)指標(biāo)設(shè)立的篩選條件不夠精細(xì),導(dǎo)致篩選出的股票的“特征”不夠明顯,導(dǎo)致預(yù)測準(zhǔn)確率不高。而機(jī)器學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)技術(shù)可以訓(xùn)練這些股票數(shù)據(jù),提取隱藏的“特征”,生成模型,達(dá)到優(yōu)化技術(shù)指標(biāo),提升預(yù)測準(zhǔn)確率的目的。因此,本文選擇具有較好的訓(xùn)練速度及穩(wěn)定性的2層隱藏層的前饋神經(jīng)網(wǎng)絡(luò)來優(yōu)化技術(shù)指標(biāo),具體工作如下所述。首先,為了證明對于不同的技術(shù)指標(biāo),可以分別使用針對性的神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法達(dá)到優(yōu)化效果,本文選擇了兩種不同的技術(shù)指標(biāo)進(jìn)行實(shí)驗(yàn):第一種技術(shù)指標(biāo)以“均線多頭并列”的數(shù)據(jù)形態(tài)作為篩選條件,獲得符合條件的股票,并預(yù)測這些股票后續(xù)走勢為上漲。由于篩選條件固定,選擇可接續(xù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法對其進(jìn)行優(yōu)化。第二種以目標(biāo)K線作為篩選條件,獲得相似K線,并利用相似K線后續(xù)走勢預(yù)測目標(biāo)K線后續(xù)走勢。由于篩選條件隨時(shí)間與股票變化,選擇可一次性形成模型的快速訓(xùn)練方法對其進(jìn)行優(yōu)化。然后,為了完成上述兩種技術(shù)指標(biāo)的優(yōu)化實(shí)驗(yàn),需要實(shí)現(xiàn)軟件工具,并準(zhǔn)備實(shí)驗(yàn)數(shù)據(jù),本文基于python語言及mongo數(shù)據(jù)庫搭建了一個(gè)模型庫。該模型庫分為3層,分別是:儲(chǔ)存基本數(shù)據(jù)、指標(biāo)數(shù)據(jù)、模型數(shù)據(jù)的數(shù)據(jù)儲(chǔ)存層,分析基本數(shù)據(jù)生成指標(biāo)數(shù)據(jù)的數(shù)據(jù)處理層,以及實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)模型的數(shù)據(jù)分析層。最后,按照上述兩種不同的技術(shù)指標(biāo)與對應(yīng)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法,分別進(jìn)行訓(xùn)練與測試,每類訓(xùn)練方法進(jìn)行兩次重復(fù)實(shí)驗(yàn)。第一種通過“均線多頭并列”技術(shù)指標(biāo)預(yù)測走勢,傳統(tǒng)方法得到預(yù)測準(zhǔn)確率為50.4%,經(jīng)過可接續(xù)神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法,進(jìn)行不同接續(xù)訓(xùn)練次數(shù)的訓(xùn)練,接續(xù)訓(xùn)練次數(shù)n=1與n=5的預(yù)測準(zhǔn)確率皆50%,n=3的兩次實(shí)驗(yàn)預(yù)測準(zhǔn)確率為52.9%與51.3%,準(zhǔn)確率較傳統(tǒng)方法在準(zhǔn)確率上提升了2.5%與0.9%。第二種通過目標(biāo)股票相似K線預(yù)測其走勢,得到預(yù)測準(zhǔn)確率為51.31%,兩次經(jīng)快速神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到模型的預(yù)測準(zhǔn)確率為分別為54.11%與56.3%,準(zhǔn)確率較傳統(tǒng)方法在準(zhǔn)確率上提升了2.8%與5.8%。由于上述兩種技術(shù)指標(biāo)類型覆蓋了市場上大部分的技術(shù)指標(biāo),本文選擇的兩種訓(xùn)練方法可延伸開來應(yīng)用于更多的技術(shù)指標(biāo)。因此使用神經(jīng)網(wǎng)絡(luò)方法優(yōu)化技術(shù)指標(biāo)具有一定的應(yīng)用價(jià)值與廣泛的應(yīng)用范圍。
【圖文】：

E：過去大量病人的診斷記錄（癥狀+結(jié)果）機(jī)器學(xué)習(xí)方法通過“癥狀-結(jié)果”數(shù)據(jù)對的訓(xùn)練建立診斷模型，再對病人疾病進(jìn)行斷，得到正確率；選定診斷記錄訓(xùn)練規(guī)模、優(yōu)化算法程序使正確率提升，即為一機(jī)器學(xué)習(xí)過程。機(jī)器學(xué)習(xí)在學(xué)習(xí)過程中要以如下方法完成學(xué)習(xí)目的，首先建立學(xué)習(xí)的程序網(wǎng)絡(luò)構(gòu)，將其轉(zhuǎn)化為合適的數(shù)學(xué)模型，依據(jù)實(shí)際計(jì)算環(huán)境的計(jì)算能力，數(shù)學(xué)模型不宜過復(fù)雜，通過一定的學(xué)習(xí)方法，，提取輸入訓(xùn)練集的“特征”，并將模型參數(shù)轉(zhuǎn)換為應(yīng)該“特征”，并阻止過擬合現(xiàn)象，以此使機(jī)器可以識別、分辨待預(yù)測數(shù)據(jù)，并在后的訓(xùn)練中不斷微調(diào)，提升泛化性能。機(jī)器學(xué)習(xí)有多種方法，如支持向量機(jī)、決樹、神經(jīng)網(wǎng)絡(luò)及改進(jìn)算法[5]，本文采用的機(jī)器學(xué)習(xí)方法是機(jī)器學(xué)習(xí)的一個(gè)分支：經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)是機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)分支，使用模仿大腦神經(jīng)元的神經(jīng)網(wǎng)絡(luò)系統(tǒng)處分類、判斷、識別等問題[6]

華 中 科 技 大 學(xué) 碩 士 學(xué) 位 論 文的非全連接層則接收部分上層輸出值作為輸入，類似于神經(jīng)細(xì)胞的），經(jīng)過加權(quán)、偏置后，得到的細(xì)胞體參數(shù) cellbody 作為自變activef ，得到輸出信號 output，輸出給其它神經(jīng)網(wǎng)絡(luò)神經(jīng)元。在這一注的就是細(xì)胞體處理階段與激活函數(shù)的選擇。體處理階段，神經(jīng)元單元將輸入的信號作加權(quán)求和與偏置，偏置一處理，一般是定值，這一階段的關(guān)鍵參數(shù)就是權(quán)值向量, ]n 。權(quán)值向量是神經(jīng)信號經(jīng)過該神經(jīng)元時(shí)，神經(jīng)元唯一可以進(jìn)際上是一個(gè)神經(jīng)元的經(jīng)驗(yàn)與記憶，也是描述一個(gè)神經(jīng)元的特征。
【學(xué)位授予單位】：華中科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：F831.51;TP183

【參考文獻(xiàn)】

相關(guān)期刊論文 前2條

1 徐梅;王方;;BP神經(jīng)網(wǎng)絡(luò)與符號時(shí)間序列下的金融波動(dòng)研究[J];武漢理工大學(xué)學(xué)報(bào)(信息與管理工程版);2015年04期

2 孫志軍;薛磊;許陽明;;基于深度學(xué)習(xí)的邊際Fisher分析特征提取算法[J];電子與信息學(xué)報(bào);2013年04期

本文編號：2651018