隨著中國市場經(jīng)濟(jì)的發(fā)展,證券市場在國民經(jīng)濟(jì)中的占據(jù)著越來越重要的地位,股票趨勢預(yù)測也被越來越多的研究者關(guān)注。傳統(tǒng)的預(yù)測模型受技術(shù)限制,多數(shù)圍繞股票的歷史數(shù)據(jù)本身展開,通過對股票歷史數(shù)據(jù)進(jìn)行建模,探究其潛在規(guī)律從而達(dá)到對股價(jià)未來趨勢的變化預(yù)測的目的。然而這類預(yù)測方式并未考慮到其他會(huì)對股價(jià)產(chǎn)生影響的因素,如市場的宏觀調(diào)控、公司的經(jīng)營狀況等。實(shí)際生活中,投資者在做出決定時(shí)并非完全理性,會(huì)受到社交媒體、新聞等影響,而當(dāng)市場中大量投資者的對某一股票的進(jìn)行買賣交易等行為時(shí),這些信息也會(huì)對該股票價(jià)格產(chǎn)生影響,引起股市的變動(dòng)�；谶@一現(xiàn)象本文建立了一種基于LSTM和社交媒體文本信息的股票趨勢預(yù)測模型,使用LSTM和自注意力機(jī)制對文本信息特征進(jìn)行提取,與股票歷史數(shù)據(jù)信息特征進(jìn)行結(jié)合,以此來對股票趨勢進(jìn)行預(yù)測,該模型可顯著提升股票短期預(yù)測模型的準(zhǔn)確率。首先,本文構(gòu)建了基于LSTM的股票趨勢預(yù)測模型,該模型利用了LSTM模型便于處理時(shí)序數(shù)據(jù)的特點(diǎn)同時(shí)在此模型的基礎(chǔ)上加入基本的社交媒體文本信息特征,以此來提高模型預(yù)測性能。LSTM模型是循環(huán)神經(jīng)網(wǎng)絡(luò)的一種,通過改良內(nèi)部結(jié)構(gòu),解決了傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)出現(xiàn)的梯度消失的問題。實(shí)驗(yàn)表明,LSTM模型可以有效的學(xué)習(xí)到股票歷史數(shù)據(jù)中時(shí)序信息,在預(yù)測準(zhǔn)確率方面高于傳統(tǒng)的時(shí)間序列模型。針對傳統(tǒng)股票趨勢預(yù)測模型中忽略社交媒體文本信息對股價(jià)變化的影響,本文在預(yù)測模型的輸入層面加入社交媒體文本信息特征。本文利用TF-IDF和Weighted Removal的方法提取文本特征信息,將文本特征信息與股票歷史數(shù)據(jù)特征相結(jié)合,構(gòu)建融合基本社交媒體文本信息的LSTM股票趨勢預(yù)測模型,實(shí)驗(yàn)表明與基于LSTM的股票預(yù)測模型相比,該模型在準(zhǔn)確率方面有進(jìn)一步提升。然后,融合基本社交媒體文本信息的預(yù)測模型采用對帖子向量簡單平均的方法得到文本信息特征,忽略了帖子時(shí)間順序的信息,導(dǎo)致對社交媒體文本信息提取不夠充分。針對這一問題,通過對文本信息提取方式的改進(jìn)和信息源種類的增加,構(gòu)建基于LSTM和深度社交媒體文本信息的預(yù)測模型。采用基于LSTM和自注意力機(jī)制模型提取社交媒體文本信息特征。先將帖子向量輸入雙向LSTM模型,在LSTM模型的隱藏狀態(tài)層引入注意力機(jī)制,進(jìn)一步分析與獲取不同帖子對于最終預(yù)測的不同貢獻(xiàn)程度。通過實(shí)驗(yàn)證明,融合深度社交媒體文本信息的股票趨勢預(yù)測模型與融合基本社交媒體文本信息的LSTM股票趨勢預(yù)測模型相比,在預(yù)測準(zhǔn)確率上有顯著的提升。在輸入數(shù)據(jù)源層面,增加基本面數(shù)據(jù),構(gòu)建了基于多種信息源的LSTM預(yù)測模型。通過實(shí)驗(yàn)對比,改進(jìn)模型預(yù)測準(zhǔn)確率有進(jìn)一步提升,證明了在一定程度下,增加數(shù)據(jù)源可以提升預(yù)測模型的性能。
【學(xué)位單位】：華中師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP391.1;F830.91
【部分圖文】：

２．２．１多層感知機(jī)逡逑多層感知機(jī)（ＭＬＰ）是人工神經(jīng)網(wǎng)絡(luò)的一種［４°］，是由感知機(jī)模型推廣而來。感知逡逑機(jī)（ＰＬＡ）模型是一種二分類的線性分類模型，感知機(jī)的神經(jīng)網(wǎng)絡(luò)表示如圖２．１所逡逑示：逡逑？邐二邐？邋ｆ邋邐？Ｏｕｔｐｕｔ逡逑圖２．邋１感知機(jī)神經(jīng)網(wǎng)絡(luò)表示圖逡逑感知機(jī)模型的將實(shí)力特征向量作為輸入，類別為輸出。感知機(jī)模型通過尋找將逡逑數(shù)據(jù)劃分的分離超平面完成分類，所以感知機(jī)模型可以用來解決線性可分的二分類逡逑的問題，即將樣本分為丨＋１，－１｝兩類。分離超平面方程為：逡逑ｗ邋■邋ｘ邋＋邋ｂ邋＝邋０逡逑由輸入空間到輸出空間的函數(shù)：逡逑ｆ｛ｘ）邋＝邋ｓｉｇｎ邋（ｗ邋■邋ｘ邋＋邋ｂ）逡逑其中，Ｗ和６為感知機(jī)模型的參數(shù)，ｗｅ邋叫作權(quán)值（ｗｅｉｇｈｔ），邋ｂｅ尺叫作逡逑偏置，ｓｉｇｎ表示符號(hào)函數(shù)，即逡逑ｓｉｇｎ（ｘ）邋＝邋＼＋１，邋Ｘ￣°逡逑ｖ一１，ｘ邋＜邋０逡逑多層感知機(jī)模型相較于感知機(jī)模型

２．２．１多層感知機(jī)逡逑多層感知機(jī)（ＭＬＰ）是人工神經(jīng)網(wǎng)絡(luò)的一種［４°］，是由感知機(jī)模型推廣而來。感知逡逑機(jī)（ＰＬＡ）模型是一種二分類的線性分類模型，感知機(jī)的神經(jīng)網(wǎng)絡(luò)表示如圖２．１所逡逑示：逡逑？邐二邐？邋ｆ邋邐？Ｏｕｔｐｕｔ逡逑圖２．邋１感知機(jī)神經(jīng)網(wǎng)絡(luò)表示圖逡逑感知機(jī)模型的將實(shí)力特征向量作為輸入，類別為輸出。感知機(jī)模型通過尋找將逡逑數(shù)據(jù)劃分的分離超平面完成分類，所以感知機(jī)模型可以用來解決線性可分的二分類逡逑的問題，即將樣本分為丨＋１，－１｝兩類。分離超平面方程為：逡逑ｗ邋■邋ｘ邋＋邋ｂ邋＝邋０逡逑由輸入空間到輸出空間的函數(shù)：逡逑ｆ｛ｘ）邋＝邋ｓｉｇｎ邋（ｗ邋■邋ｘ邋＋邋ｂ）逡逑其中，Ｗ和６為感知機(jī)模型的參數(shù)，ｗｅ邋叫作權(quán)值（ｗｅｉｇｈｔ），邋ｂｅ尺叫作逡逑偏置，ｓｉｇｎ表示符號(hào)函數(shù)，即逡逑ｓｉｇｎ（ｘ）邋＝邋＼＋１，邋Ｘ￣°逡逑ｖ一１，ｘ邋＜邋０逡逑多層感知機(jī)模型相較于感知機(jī)模型

中ｘｔ表示在ｔ時(shí)刻的訓(xùn)練樣本的輸入；ｈｔ代表在ｔ時(shí)刻，模型的隱藏狀態(tài)；和；Ｃｍ共同決定：逡逑ｈｔ邋＝邋ｆ｛ＵＸｔ邋＋邋ＷｈｔＪ逡逑、Ｗ和Ｖ是模型相關(guān)的線性關(guān)系參數(shù)，這些參數(shù)在隱層中是相互共享的。逡逑在ｔ時(shí)刻模型的輸出；化與模型的當(dāng)前隱藏狀態(tài)＼有關(guān)：逡逑ｏｔ邋—邋Ｖｈｌ邋＋邋ｃ逡逑ｔ時(shí)刻模型的損失函數(shù)；ｙｔ代表ｔ時(shí)刻訓(xùn)練樣本序列的真實(shí)輸出。逡逑常用反向傳播算法（ＢＰＴＴ）對循環(huán)神經(jīng)網(wǎng)絡(luò)模型（ＲＮＮ）進(jìn)行訓(xùn)練，調(diào)整算法的本質(zhì)是ＢＰ算法，因?yàn)椋遥危翁幚頃r(shí)間序列的數(shù)據(jù)，所以需要基于播。ＢＰＴＴ算法的中心思想與ＢＰ算法相同，即沿著需要優(yōu)化參數(shù)的福梯尋找更優(yōu)點(diǎn)，直至模型收斂。逡逑長短期記憶神經(jīng)網(wǎng)絡(luò)逡逑期記憶神經(jīng)網(wǎng)絡(luò)（ＬＳＴＭ）很好的解決了長期以來問題，能夠記住長期的。１９９６

【參考文獻(xiàn)】

相關(guān)期刊論文 前4條

1 黃潤鵬;左文明;畢凌燕;;基于微博情緒信息的股票市場預(yù)測[J];管理工程學(xué)報(bào);2015年01期

2 張美英;何杰;;時(shí)間序列預(yù)測模型研究綜述[J];數(shù)學(xué)的實(shí)踐與認(rèn)識(shí);2011年18期

3 周廣旭;一種新的時(shí)間序列分析算法及其在股票預(yù)測中的應(yīng)用[J];計(jì)算機(jī)應(yīng)用;2005年09期

4 胡桔州,蘭秋軍;金融時(shí)間序列的數(shù)據(jù)挖掘技術(shù)與經(jīng)典統(tǒng)計(jì)模型的比較[J];系統(tǒng)工程;2005年06期

相關(guān)碩士學(xué)位論文 前3條

1 胡新辰;基于LSTM的語義關(guān)系分類研究[D];哈爾濱工業(yè)大學(xué);2015年

2 尤作軍;時(shí)間序列分析在股票中的研究與應(yīng)用[D];沈陽工業(yè)大學(xué);2014年

3 王洋;基于時(shí)間序列分析的IP語音收入預(yù)測[D];吉林大學(xué);2004年

本文編號(hào)：2828878