【摘要】：深度神經(jīng)網(wǎng)絡(luò)算法是近幾年機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)熱門話題。最早人工神經(jīng)網(wǎng)絡(luò)起源于上世紀(jì)40年代,專注于工程應(yīng)用領(lǐng)域。直到深度網(wǎng)絡(luò)的概念的出現(xiàn),深度神經(jīng)網(wǎng)絡(luò)成為了新的寵兒,在圖片識(shí)別、語(yǔ)音識(shí)別等領(lǐng)域應(yīng)用頗多。目前,處理時(shí)序數(shù)據(jù)首選當(dāng)是循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN),當(dāng)應(yīng)用數(shù)據(jù)涉及某些順序機(jī)器學(xué)習(xí)任務(wù)時(shí),RNN由于其具有有限短期記憶的優(yōu)勢(shì),可以達(dá)到很高的精度。而從原理上講,1997年,在第一代RNN網(wǎng)絡(luò)中引入了基于LSTM的架構(gòu)后,LSTM神經(jīng)網(wǎng)絡(luò)模型大大的提高了網(wǎng)絡(luò)精度。本文嘗試將其應(yīng)用在金融市場(chǎng)預(yù)測(cè)當(dāng)中,研究一種更為有效地股市預(yù)測(cè)模型。本文基于LSTM神經(jīng)網(wǎng)絡(luò)模型對(duì)股票漲跌進(jìn)行設(shè)計(jì)建模,在模型設(shè)計(jì)方面,考慮了不同的組合,以提高精度為訴求。并且,對(duì)模型的訓(xùn)練實(shí)例也提供不同的參考樣本,以行業(yè)為分界線做實(shí)證研究,對(duì)比模型訓(xùn)練預(yù)測(cè)效果。針對(duì)輸入特征,本文提取了個(gè)股行情指標(biāo)、大盤行情指標(biāo)、財(cái)務(wù)估值指標(biāo),分別將其及其組合作為網(wǎng)絡(luò)的輸入變量,作對(duì)比分析;同時(shí)還引入牛熊市周期的對(duì)比。模型網(wǎng)絡(luò)結(jié)構(gòu)方面,本文默認(rèn)采用一層隱含層,過(guò)程中通過(guò)不斷調(diào)整隱含層節(jié)點(diǎn)數(shù)來(lái)選擇最佳模型結(jié)構(gòu)。參數(shù)設(shè)置方面,針對(duì)學(xué)習(xí)率、迭代次數(shù)進(jìn)行修改,選出最佳適應(yīng)參數(shù)。同時(shí)本文所建立的LSTM神經(jīng)網(wǎng)絡(luò)模型是基于Adam算法模型進(jìn)行優(yōu)化。最后,我們使用該模型進(jìn)行了量化回測(cè),實(shí)證結(jié)果顯示,該模型在股市預(yù)測(cè)中已經(jīng)能取得了一定的實(shí)證效果。這也印證了該模型的有效性。
【圖文】：

技術(shù)路線圖

它可以捕捉所有之前的信息。我們都知道，一般的神經(jīng)網(wǎng)絡(luò)模型由輸入層、隱含層以及輸出層構(gòu)成，，如圖4.1 所示。圖 4.1 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)正如我們之前所說(shuō)，RNN 有定向循環(huán)處理器，它可以使得之前的輸入影響
【學(xué)位授予單位】：上海師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP183;F832.51

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 祖來(lái)克孜·米吉提;;神經(jīng)網(wǎng)絡(luò)模型在分類與預(yù)測(cè)中的應(yīng)用研究[J];喀什大學(xué)學(xué)報(bào);2018年03期

2 陳海華;;基于神經(jīng)網(wǎng)絡(luò)模型的高速公路交通量短時(shí)預(yù)測(cè)方法[J];中國(guó)交通信息化;2017年08期

3 李峗妮;;神經(jīng)網(wǎng)絡(luò)模型在銀行互聯(lián)網(wǎng)金融反欺詐中的應(yīng)用探索[J];金融科技時(shí)代;2018年08期

4 花廣如;李文浩;郭陽(yáng)陽(yáng);;基于神經(jīng)網(wǎng)絡(luò)模型的海南變電站接地網(wǎng)Q235鋼腐蝕率預(yù)測(cè)[J];腐蝕與防護(hù);2017年08期

5 周靜;周正松;高e

本文編號(hào)：2685211