股票的價(jià)格呈現(xiàn)趨勢(shì)化運(yùn)動(dòng),趨勢(shì)對(duì)于股價(jià)預(yù)測(cè)來(lái)說(shuō)至關(guān)重要。股價(jià)預(yù)測(cè)主要有兩大類方法——基本面分析和技術(shù)分析,本文從技術(shù)分析的角度研究股價(jià)運(yùn)動(dòng)趨勢(shì),將股價(jià)預(yù)測(cè)轉(zhuǎn)化為時(shí)間序列分析問(wèn)題。時(shí)間序列分析的工具又分為傳統(tǒng)計(jì)量模型和計(jì)算智能模型,傳統(tǒng)的計(jì)量模型雖然解釋性好但往往預(yù)測(cè)效果不理想,而計(jì)算智能模型,尤其是人工神經(jīng)網(wǎng)絡(luò)模型可以進(jìn)行自適應(yīng)學(xué)習(xí),具有強(qiáng)大的非線性映射能力,故本文選用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行建模。預(yù)處理和網(wǎng)絡(luò)模型定義是建立神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的重要方面,現(xiàn)有的預(yù)處理方法多為信號(hào)分析、時(shí)序分割、主成分提取等自動(dòng)化的手段,缺少明確的金融意義;在網(wǎng)絡(luò)模型方面,循環(huán)神經(jīng)網(wǎng)絡(luò)強(qiáng)大的時(shí)序?qū)W習(xí)能力以及深度學(xué)習(xí)的發(fā)展為金融預(yù)測(cè)帶來(lái)了新的機(jī)遇,故本文關(guān)注的重點(diǎn)是提取更具金融意義的特征并利用循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行建模。本文所做的工作主要有兩點(diǎn):一是對(duì)趨勢(shì)因子進(jìn)行了兩階段的預(yù)處理,首先從價(jià)格、收益率、動(dòng)能、量?jī)r(jià)、波動(dòng)率五個(gè)方面提取了趨勢(shì)因子,價(jià)格特征反映了不同時(shí)間尺度上的價(jià)格水平,收益率特征反映了價(jià)格的速度,動(dòng)能特征體現(xiàn)了價(jià)格的加速度,量?jī)r(jià)特征蘊(yùn)含了成交量帶來(lái)的額外信息,波動(dòng)率特征則包含了區(qū)間數(shù)據(jù)帶來(lái)的信息,第二階段根據(jù)每個(gè)因子與趨勢(shì)之間的內(nèi)在聯(lián)系進(jìn)行了離散化處理,進(jìn)一步反映趨勢(shì)的動(dòng)態(tài)特征;二是建立了不同的循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,通過(guò)實(shí)驗(yàn)對(duì)比了三種特征表達(dá)方式、不同網(wǎng)絡(luò)類型以及深層結(jié)構(gòu)在預(yù)測(cè)中的表現(xiàn)。實(shí)驗(yàn)結(jié)果表明,趨勢(shì)因子預(yù)處理顯著提高了模型的預(yù)測(cè)表現(xiàn);三種循環(huán)神經(jīng)網(wǎng)絡(luò)中,門(mén)限神經(jīng)單元的表現(xiàn)最好;在隱層神經(jīng)元總數(shù)保持不變的情況下,深層結(jié)構(gòu)比淺層結(jié)構(gòu)表現(xiàn)好。在所有超參數(shù)設(shè)置中,以離散化后的趨勢(shì)因子作為輸入、采用三隱層結(jié)構(gòu)的門(mén)限神經(jīng)網(wǎng)絡(luò)模型表現(xiàn)最佳,相比于隨機(jī)的三分類預(yù)測(cè)正確率提升了35個(gè)百分點(diǎn)左右。根據(jù)實(shí)驗(yàn)結(jié)果,本文得到以下重要結(jié)論:價(jià)格、收益率、動(dòng)能、量?jī)r(jià)和波動(dòng)率中蘊(yùn)含著股價(jià)趨勢(shì)信息,可以有效提高預(yù)測(cè)模型的表現(xiàn);在三種循環(huán)神經(jīng)網(wǎng)絡(luò)中,門(mén)限神經(jīng)網(wǎng)絡(luò)更適用于處理股指日數(shù)據(jù)這種低頻的小樣本金融時(shí)間序列;深度學(xué)習(xí)不是萬(wàn)能的,從金融意義的角度進(jìn)行特征表示往往能事半功倍,比單純依靠深層結(jié)構(gòu)的特征學(xué)習(xí)更能提升模型的預(yù)測(cè)效果。本文的創(chuàng)新點(diǎn)主要有三個(gè):一是從技術(shù)分析及趨勢(shì)預(yù)測(cè)的內(nèi)在邏輯出發(fā)對(duì)趨勢(shì)因子進(jìn)行了兩階段的提取;二是對(duì)輸出變量做了細(xì)致的預(yù)處理,包括利用五日收益率設(shè)定類標(biāo)簽并在傳統(tǒng)的漲跌分類基礎(chǔ)上添加了“震蕩”類,有助于下一步交易策略的制定;三是分析了三種不同類型的循環(huán)神經(jīng)網(wǎng)絡(luò)在股指趨勢(shì)短期預(yù)測(cè)中的表現(xiàn),并初步探索了深度學(xué)習(xí)的適用性。
【學(xué)位單位】：山東財(cái)經(jīng)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類】：F832.51;TP183
【部分圖文】：

圖 2-1 M-P 神經(jīng)元模型礎(chǔ)的“M-P 神經(jīng)元”，這個(gè)神經(jīng)元接收 n 個(gè)輸入wi，這些權(quán)重是自適應(yīng)的，神經(jīng)元首先對(duì)輸入進(jìn)行閾值θ進(jìn)行比較，再經(jīng)過(guò)激活函數(shù)的處理產(chǎn)生輸1ni iiy f w x 網(wǎng)絡(luò)一定的層次結(jié)構(gòu)組織起來(lái)就構(gòu)成了神經(jīng)網(wǎng)絡(luò)。前 perceptron，多層感知機(jī)）是最典型的神經(jīng)網(wǎng)絡(luò)模rward）模型，網(wǎng)絡(luò)中層與層之間沒(méi)有反饋連接。以在網(wǎng)絡(luò)中循環(huán)流動(dòng)，它們就被稱作 RNN（Re網(wǎng)絡(luò)），本文將在下一節(jié)中詳細(xì)討論這種網(wǎng)絡(luò)，

圖 2-1 就是最基礎(chǔ)的“M-P 神經(jīng)元”，這個(gè)神經(jīng)元接收 n 個(gè)輸入，每個(gè)都有其對(duì)應(yīng)的權(quán)重 wi，這些權(quán)重是自適應(yīng)的，神經(jīng)元首先對(duì)輸入進(jìn)行帶權(quán)重然后將計(jì)算的結(jié)果與閾值θ進(jìn)行比較，再經(jīng)過(guò)激活函數(shù)的處理產(chǎn)生輸出[41]。達(dá)見(jiàn)公式（2.1）：1ni iiy f w x （2）前饋神經(jīng)網(wǎng)絡(luò)將多個(gè)神經(jīng)元按一定的層次結(jié)構(gòu)組織起來(lái)就構(gòu)成了神經(jīng)網(wǎng)絡(luò)。前饋神經(jīng)稱 MLP（Multilayer perceptron，多層感知機(jī)）是最典型的神經(jīng)網(wǎng)絡(luò)模型，這稱為前向的（feedforward）模型，網(wǎng)絡(luò)中層與層之間沒(méi)有反饋連接。當(dāng)層與現(xiàn)反饋連接，信息可以在網(wǎng)絡(luò)中循環(huán)流動(dòng)，它們就被稱作 RNN（RecurrentNetwork，循環(huán)神經(jīng)網(wǎng)絡(luò)），本文將在下一節(jié)中詳細(xì)討論這種網(wǎng)絡(luò)，這里說(shuō)網(wǎng)絡(luò)結(jié)構(gòu)還是最基礎(chǔ)的多層前饋神經(jīng)網(wǎng)絡(luò)，如圖 2-2：

遍正向傳播和反向傳播，神經(jīng)網(wǎng)絡(luò)接下來(lái)的工作就是減小網(wǎng)絡(luò)輸出值與真實(shí)值之間的誤差。源源：偏差（bias）和方差（variance）。分清誤差的來(lái)要的，它決定了你從哪個(gè)方面調(diào)整來(lái)優(yōu)化模型的預(yù)種機(jī)器學(xué)習(xí)算法訓(xùn)練的輸出結(jié)果逼近學(xué)習(xí)目標(biāo)的能為訓(xùn)練集的表現(xiàn)，當(dāng)結(jié)果出現(xiàn)高偏差時(shí)，說(shuō)明模型欠果與模型輸出期望（平均值）之間的誤差，即模型的可以解釋為驗(yàn)證集的表現(xiàn)，當(dāng)結(jié)果出現(xiàn)高方差時(shí)說(shuō)相當(dāng)于模型的學(xué)習(xí)目標(biāo)，射擊點(diǎn)整體偏離紅色靶心不準(zhǔn)，而射擊點(diǎn)較為分散時(shí)出現(xiàn)高方差，表現(xiàn)不穩(wěn)
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場(chǎng)中的神經(jīng)網(wǎng)絡(luò)拐點(diǎn)預(yù)測(cè)法[J];金融經(jīng)濟(jì);2017年18期

2 陳曉燕;;淺析簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)的發(fā)展及簡(jiǎn)單模型[J];數(shù)字技術(shù)與應(yīng)用;2019年05期

3 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會(huì)述評(píng)[J];國(guó)際學(xué)術(shù)動(dòng)態(tài);1996年01期

4 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識(shí)別[J];通訊世界;2018年12期

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

6 俞頌華;;卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J];信息通信;2019年02期

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

8 鮑偉強(qiáng);陳娟;熊濤;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)研究[J];電工技術(shù);2019年11期

9 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車的設(shè)計(jì)研究[J];數(shù)字技術(shù)與應(yīng)用;2018年04期

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

相關(guān)博士學(xué)位論文 前10條

1 陳冬冬;基于深度神經(jīng)網(wǎng)絡(luò)的視覺(jué)媒體風(fēng)格轉(zhuǎn)換方法研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2019年

2 韓旭;基于神經(jīng)網(wǎng)絡(luò)的文本特征表示關(guān)鍵技術(shù)研究[D];北京郵電大學(xué);2019年

3 楊國(guó)花;基于級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)的對(duì)話狀態(tài)追蹤技術(shù)研究與實(shí)現(xiàn)[D];北京郵電大學(xué);2019年

4 楊威;基于卷積神經(jīng)網(wǎng)絡(luò)的高效語(yǔ)義分割方法研究[D];中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院光電技術(shù)研究所);2019年

5 雷學(xué)文;基于深度神經(jīng)網(wǎng)絡(luò)的風(fēng)功率日前預(yù)測(cè)與電力系統(tǒng)聯(lián)合調(diào)度研究[D];西安理工大學(xué);2018年

6 陳川;憶阻神經(jīng)網(wǎng)絡(luò)的同步控制及在信息安全中的應(yīng)用研究[D];北京郵電大學(xué);2019年

7 姜春暉;深度神經(jīng)網(wǎng)絡(luò)剪枝方法研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2019年

8 昌杰;基于深度神經(jīng)網(wǎng)絡(luò)的腫瘤圖像分析與處理[D];中國(guó)科學(xué)技術(shù)大學(xué);2019年

9 宮磊;可重構(gòu)平臺(tái)上面向卷積神經(jīng)網(wǎng)絡(luò)的異構(gòu)多核加速方法研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2019年

10 丁鵬;基于深度卷積神經(jīng)網(wǎng)絡(luò)的光學(xué)遙感目標(biāo)檢測(cè)技術(shù)研究[D];中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所);2019年

相關(guān)碩士學(xué)位論文 前10條

1 權(quán)峻;太陽(yáng)能溫室建模及智能控制策略研究[D];天津理工大學(xué);2019年

2 鐘文雅;基于深度卷積神經(jīng)網(wǎng)絡(luò)的乳腺X線圖像的分類方法研究[D];南陽(yáng)師范學(xué)院;2019年

3 薛花;基于聚類與神經(jīng)網(wǎng)絡(luò)的協(xié)同過(guò)濾推薦系統(tǒng)關(guān)鍵技術(shù)的研究[D];天津理工大學(xué);2019年

4 張璐;基于深度學(xué)習(xí)的淋巴結(jié)自動(dòng)分割算法研究[D];浙江大學(xué);2019年

5 郭盼盼;基于GA-BP神經(jīng)網(wǎng)絡(luò)的多日股票價(jià)格預(yù)測(cè)[D];鄭州大學(xué);2019年

6 王旭東;基于光散射的磷礦磨礦粒度分析方法研究[D];武漢工程大學(xué);2018年

7 熊雨點(diǎn);基于深度學(xué)習(xí)的表單識(shí)別系統(tǒng)的研究與實(shí)現(xiàn)[D];武漢工程大學(xué);2018年

8 聶若瑩;基于AMDAR數(shù)據(jù)的對(duì)流云附近顛簸區(qū)預(yù)測(cè)方法研究[D];中國(guó)民用航空飛行學(xué)院;2019年

9 李高玲;基于神經(jīng)網(wǎng)絡(luò)的算法作曲與情感識(shí)別研究[D];鄭州大學(xué);2019年

10 路高飛;基于遺傳算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的信用風(fēng)險(xiǎn)研究[D];鄭州大學(xué);2019年

本文編號(hào)：2867180