【摘要】：近年來,人工智能技術(shù)先后被成功應(yīng)用到語音識別、圖像識別、圍棋對抗等許多領(lǐng)域中,如何將在其他領(lǐng)域取得成功的人工智能技術(shù)應(yīng)用到投資領(lǐng)域,成為許多投資者的新課題。一方面,在投資領(lǐng)域中,選擇出良好的目標(biāo)股票,是投資活動最終取得成功的關(guān)鍵之一。選出具有較高質(zhì)量的股票并構(gòu)建股票池,對投資者減少選股工作量,集中精力調(diào)研個(gè)股,提高投資收益是非常重要的。而對計(jì)算機(jī)的強(qiáng)大計(jì)算能力的合理使用,可以大幅節(jié)省投資者在股票投資選擇中消耗的時(shí)間和精力。另一方面,在人工智能技術(shù)中,BP神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)技術(shù),但其無法兼顧數(shù)據(jù)的截面特征和序列特征的缺陷,使得其在股票市場中的實(shí)際應(yīng)用能力受到制約。而LSTM神經(jīng)網(wǎng)絡(luò)作為成功應(yīng)用到語音識別領(lǐng)域的一種機(jī)器學(xué)習(xí)技術(shù),具備了處理序列特征數(shù)據(jù)的能力,研究其在股票投資選擇應(yīng)用中的適用性是具有相當(dāng)實(shí)踐意義的。在算法的應(yīng)用上,本文首先構(gòu)建具有相同結(jié)構(gòu),相同訓(xùn)練次數(shù)、學(xué)習(xí)率等超參數(shù)條件下的BP神經(jīng)網(wǎng)絡(luò)和LSTM神經(jīng)網(wǎng)絡(luò),并在其神經(jīng)網(wǎng)絡(luò)的共有部分使用相同的激活函數(shù);然后根據(jù)股票的夏普比率制作選股信號,并將相同的5年夏普比率數(shù)據(jù)輸入BP神經(jīng)網(wǎng)絡(luò)和LSTM神經(jīng)網(wǎng)絡(luò)中建立網(wǎng)絡(luò);再將兩種神經(jīng)網(wǎng)絡(luò)應(yīng)用到樣本外數(shù)據(jù)中,獲得信號預(yù)測值,即股票未來具有較好表現(xiàn)的概率;接著通過比較分析兩種神經(jīng)網(wǎng)絡(luò)的樣本外測試效果,發(fā)現(xiàn)具備了長期記憶功能的LSTM神經(jīng)網(wǎng)絡(luò)的實(shí)際選股效果要優(yōu)于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò),且其較高的選股準(zhǔn)確率使它具備了較強(qiáng)的實(shí)際應(yīng)用能力。在此基礎(chǔ)上,本文根據(jù)股票投資選擇的實(shí)際過程,從對股票市場的時(shí)間序列特征適用性角度、股票市場的非線性特征適用性角度,在股票市場投資標(biāo)的數(shù)量眾多下的選股能力角度以及不同投資者的適用性角度出發(fā),分析了LSTM在股票投資選擇中的適用能力。經(jīng)過分析認(rèn)為,良好的數(shù)據(jù)使用能力和樣本外選股準(zhǔn)確率使得LSTM神經(jīng)網(wǎng)絡(luò)在股票投資選擇中更具備適用性。最后,總結(jié)以上對LSTM神經(jīng)網(wǎng)絡(luò)的研究,本文對LSTM神經(jīng)網(wǎng)絡(luò)在股票投資選擇中的應(yīng)用,給出了建議。
【圖文】：

文的核心部分，該部分主要是把 BP 神經(jīng)網(wǎng)過程呈現(xiàn)出來，主要從方案設(shè)計(jì)、神經(jīng)網(wǎng)絡(luò)入手去研究。是根據(jù)上一部分實(shí)驗(yàn)的結(jié)果及結(jié)果分析，進(jìn)資選擇應(yīng)用中的適用性。然后對本文的全部究做出展望并分析本文的不足之處。主要是：首先，人工智能技術(shù)作為一種近年都處于探索階段，以往多數(shù)文獻(xiàn)將神經(jīng)網(wǎng)絡(luò)技術(shù)運(yùn)用于股票選擇的分類問題中，這是本網(wǎng)絡(luò)近年來在實(shí)踐中取得突破性應(yīng)用結(jié)果，少，本文在股票投資選擇問題中使用這一技

神經(jīng)網(wǎng)絡(luò)是隨著計(jì)算機(jī)技術(shù)的發(fā)展而產(chǎn)生的一種計(jì)算機(jī)算法，，目前該技術(shù)運(yùn)用廣泛，主要用于數(shù)據(jù)的分類預(yù)測。在股票投資選擇應(yīng)用方面，它的優(yōu)點(diǎn)在于可以逼近非線性函數(shù)，這和股票市場實(shí)際的非線性特征較為接近。神經(jīng)網(wǎng)絡(luò)技術(shù)一般分為前饋神經(jīng)網(wǎng)絡(luò)（Feedforward Neural Network）和反饋神經(jīng)網(wǎng)絡(luò)（Backforward Neural Network），前饋神經(jīng)網(wǎng)絡(luò)包括有單層感知機(jī)、多層感知機(jī)和卷積深度神經(jīng)網(wǎng)絡(luò)等。反饋神經(jīng)網(wǎng)絡(luò)包括 BP 神經(jīng)網(wǎng)絡(luò)、RNN 神經(jīng)網(wǎng)絡(luò)以及 LSTM 神經(jīng)網(wǎng)絡(luò)等。二、BP 神經(jīng)網(wǎng)絡(luò)算法（一）BP 神經(jīng)網(wǎng)絡(luò)原理BP 神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network）是目前應(yīng)用最為廣泛的一種神經(jīng)網(wǎng)絡(luò)，該神經(jīng)網(wǎng)絡(luò)是在 1986 年，由 Rumelhart 和 McClelland 提出，該網(wǎng)絡(luò)是在訓(xùn)練前饋神經(jīng)網(wǎng)絡(luò)時(shí)，采用了誤差逆向傳播算法求解而得。一般來說，反饋神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)過程的正向傳播、反向傳播的機(jī)制，設(shè)定一定的學(xué)習(xí)規(guī)則、學(xué)習(xí)次數(shù)、目標(biāo)誤差，運(yùn)用梯度下降法調(diào)整參數(shù)，建立相關(guān)預(yù)測模型。該方法將人工神經(jīng)元作為輸入信息的處理單位，人工神經(jīng)元結(jié)構(gòu)如圖 2 所示。
【學(xué)位授予單位】：西北民族大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP183;F832.51

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 牛芳;;我國A股市場動量效應(yīng)實(shí)證研究[J];宏觀經(jīng)濟(jì)研究;2014年03期

2 陳榮達(dá);虞歡歡;;基于啟發(fā)式算法的支持向量機(jī)選股模型[J];系統(tǒng)工程;2014年02期

3 余湄;周榮喜;吳孟;;投資模型選擇問題研究——理論模型及中國股票市場的投資實(shí)證研究[J];數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究;2013年02期

4 彭望蜀;;基于BP神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)的股票指數(shù)預(yù)測模型比較[J];南方金融;2013年01期

5 黃惠平;彭博;;基于財(cái)務(wù)視角的價(jià)值投資策略實(shí)證研究[J];經(jīng)濟(jì)管理;2012年09期

6 劉海s

本文編號：2687314