【摘要】：由于傳統(tǒng)時間序列預測模型假設條件較多,一般只能找出股價與其相關的影響因子之間的線性關系,卻不能很好地反映股票非線性變化規(guī)律,因此傳統(tǒng)的單因子和多因子循環(huán)神經(jīng)網(wǎng)絡預測精度較低。為了更好地提取數(shù)據(jù)間的非線性關系,提高對股票價格預測的準確性,本文基于編碼-解碼神經(jīng)網(wǎng)絡結構,將注意力機制引入神經(jīng)網(wǎng)絡中,提出基于注意力機制的循環(huán)神經(jīng)網(wǎng)絡結構。該股指價格預測模型提取了影響股指價格因子的深層特征,與簡單的單因子循環(huán)網(wǎng)絡、傳統(tǒng)的多因子循環(huán)網(wǎng)絡相比,提高了股指價格預測的準確性。為了加快模型的訓練速度,減少模型參數(shù)量,在具體實驗中也采用了去除解碼環(huán)節(jié)的神經(jīng)網(wǎng)絡。仿真實驗表明:在上證50股指和滬深300股指的每分鐘價格預測問題上,對比其他傳統(tǒng)網(wǎng)絡模型,該網(wǎng)絡模型的預測精度更高,其預測效果與不去除解碼環(huán)節(jié)的網(wǎng)絡相比無明顯差異,但明顯提高了數(shù)據(jù)的運算速度。該仿真實驗驗證了本方法是有效的股指價格預測的方法。
【學位授予單位】：浙江工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：F832.51;TP183
【圖文】：

可變長的圖像輸入一樣，RNN 也可以縮放序列型數(shù)據(jù)，且大理不同長度的時間序列數(shù)據(jù)。與 RNN 相關的一個想法是：在積，在一維時間序列上的卷積操作允許神經(jīng)網(wǎng)絡在時間維度 RNN 看作是對一個包含時間索引t的向量 x (t )的操作。此外 RNN 中，時間索引t僅指序列型數(shù)據(jù)的前后位置而已，而不時間先后。除了時間序列數(shù)據(jù)，RNN 還可以應用于二維空間甚至當二維圖形數(shù)據(jù)涉及時間時，網(wǎng)絡也會學習到圖形數(shù)據(jù)過去幾年中，應用 RNN 處理模式識別[34]、語言建模、機器題已經(jīng)取得一定成功。傳統(tǒng)的 RNN 包括輸入層、隱藏層和輸層由時間序列 x ( t)構成，向量 x (t )中每個元素代表與目標序列間序列的特征；隱藏層 h ( t)則相當于對t時刻之前的輸入序列一個歸納提取。一個經(jīng)典的 3 層 RNN 如圖 3.1 所示。

函數(shù) g ( )的輸入值為過去的整個時間序列-1 -2 -3 2 , , , , , t t t tx x x x x 可以直觀的看出，每個時刻的隱藏層都包含了該時刻之前所有歷史息。當 RNN 的訓練目的是根據(jù)過去來預測未來時，此時的神經(jīng)網(wǎng)把隱藏層th 當作歷史輸入-1 -2 -3 2 1, , , , , ,t t t tx x x x x x 的某種有損總結，定程度上是一定存在的，因為 RNN 是將用任意長度的歷史時-2 -3 2 1, , , , ,t tx x x x 轉換為固定長度的隱藏層向量th ，取決于不同的模該有損總結可能會選擇性地保存部分歷史數(shù)據(jù)，以使隱藏層th 達到比如，當 RNN 是用于統(tǒng)計語言建模，即模型目的是給定前面的句個單詞時，模型就可能沒必要去保存截至時間t 的所有輸入序列的存足夠預測未來單詞的輸入信息即可。圖 3.2 所示的一條鏈狀神經(jīng)個只含輸入層和隱藏層的 RNN，可以將這個鏈式結構看成是相同神復制，而每個時刻的神經(jīng)網(wǎng)絡單元都會將其輸入信息傳遞到下一時

初始值很大的話，大部分的神經(jīng)元就會處在飽和嚴重，收斂速度慢，就會讓網(wǎng)絡變的很難學習。，才能避免這種飽和的現(xiàn)象。數(shù)也是常用的 S 型激活函數(shù)之一。實際上，ta形式及一階導公式如下：tanh( )=2 (2 ) 1 x xx xe ex xe e2tanh ( x )=1-(tanh( x ))出值范圍是-1 到 1 之間，經(jīng)過變形之后的 tan時表現(xiàn)更好，但有時候特征向量間量綱相差不大微的分類判斷的時候，tanh 函數(shù)的使用效果就不如圖 3.4 所示：

【相似文獻】

相關期刊論文 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡拐點預測法[J];金融經(jīng)濟;2017年18期

2 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡大會述評[J];國際學術動態(tài);1996年01期

3 吳立可;;脈沖神經(jīng)網(wǎng)絡和行為識別[J];通訊世界;2018年12期

4 林嘉應;鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡的船舶分類模型[J];信息技術與信息化;2019年02期

5 俞頌華;;卷積神經(jīng)網(wǎng)絡的發(fā)展與應用綜述[J];信息通信;2019年02期

6 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡的通用理論建造基石[J];世界科學;2019年04期

7 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車的設計研究[J];數(shù)字技術與應用;2018年04期

8 張庭略;;基于硬件的神經(jīng)網(wǎng)絡加速[J];通訊世界;2018年08期

9 蘇秀婷;;耦合神經(jīng)網(wǎng)絡的同步[J];紹興文理學院學報(自然科學);2016年03期

10 朱n

本文編號：2764787