深度學(xué)習(xí)算法作為機(jī)器學(xué)習(xí)領(lǐng)域內(nèi)的一個(gè)重要分支,推動(dòng)了社會(huì)信息化的發(fā)展,為人們的生活帶來(lái)了諸多的便利,因而得到了國(guó)內(nèi)外眾多學(xué)者的關(guān)注。在某些特定的場(chǎng)景中,使用深度學(xué)習(xí)算法在處理圖像及語(yǔ)音識(shí)別的問(wèn)題時(shí)比人類表現(xiàn)得更好。此外,相比傳統(tǒng)的統(tǒng)計(jì)學(xué)與計(jì)量經(jīng)濟(jì)學(xué)構(gòu)建的模型,深度學(xué)習(xí)算法憑借其自身良好的非線性擬合能力以及對(duì)多種混合信息的綜合處理能力,在處理股票市場(chǎng)這個(gè)具有多變量的非線性動(dòng)態(tài)信息系統(tǒng)的時(shí)候,往往可以提供更加合理可靠的分析及預(yù)測(cè)結(jié)果。變動(dòng)的股票價(jià)格可以看作是一種前后關(guān)聯(lián)性很強(qiáng)的時(shí)間序列數(shù)據(jù),而循環(huán)神經(jīng)網(wǎng)絡(luò)可以很好的處理此類數(shù)據(jù)。在此基礎(chǔ)上,本文對(duì)多種循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行了研究及對(duì)比分析,對(duì)長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)LSTM的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了改進(jìn),依此設(shè)計(jì)了一個(gè)面向股票價(jià)格預(yù)測(cè)的深度學(xué)習(xí)模型。主要的研究工作可分為以下幾點(diǎn):根據(jù)深度學(xué)習(xí)的發(fā)展以及當(dāng)前的應(yīng)用現(xiàn)狀,并著重針對(duì)深度學(xué)習(xí)算法應(yīng)用于各個(gè)股票市場(chǎng)的研究按照基于限價(jià)委托單的模型、基于價(jià)格的分類模型、基于文本的分類模型、基于波動(dòng)的預(yù)測(cè)模型以及投資組合優(yōu)化模型五大類做了分類總結(jié)整理。并且選定基于波動(dòng)的價(jià)格預(yù)測(cè)模型作為本次實(shí)驗(yàn)的基礎(chǔ)。選定循環(huán)神經(jīng)網(wǎng)絡(luò)算法進(jìn)行學(xué)習(xí)與研究。結(jié)合股票市場(chǎng)價(jià)格自身具有的長(zhǎng)時(shí)序性、多變量因素影響以及非線性動(dòng)態(tài)變化的特性,本文決定以具有長(zhǎng)周期記憶功能以及短周期內(nèi)特殊信息的調(diào)整功能的LSTM長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型作為基礎(chǔ),從門結(jié)構(gòu)以及信息輸入保留的方式兩方面進(jìn)行改進(jìn)與創(chuàng)新,提出了一種新的門結(jié)構(gòu)設(shè)計(jì)嘗試—選擇性更新的長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型SULSTM。基于改進(jìn)得到的SULSTM神經(jīng)網(wǎng)絡(luò),本文設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)多隱藏層的價(jià)格預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型。通過(guò)使用股票的開(kāi)盤價(jià)、最高價(jià)、最低價(jià)、收盤價(jià)、成交量等多種金融數(shù)據(jù)來(lái)對(duì)股票價(jià)格進(jìn)行預(yù)測(cè)。并使用RNN、LSTM、GRU等多個(gè)循環(huán)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行價(jià)格預(yù)測(cè)對(duì)比實(shí)驗(yàn),發(fā)現(xiàn)改進(jìn)后的SULSTM模型可以在股票價(jià)格的預(yù)測(cè)問(wèn)題中取得不錯(cuò)的效果。同時(shí)相比于改進(jìn)前的LSTM模型來(lái)說(shuō),在訓(xùn)練效率、訓(xùn)練損耗以及最終價(jià)格預(yù)測(cè)等多方面都有較高的性能提升。
【學(xué)位單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：F832.51;TP18
【部分圖文】：

圖2.1標(biāo)準(zhǔn)循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖網(wǎng)絡(luò)的輸入為 這樣的序列數(shù)據(jù)， 是輸入層 前一時(shí)刻的輸出作為當(dāng)前時(shí)刻輸入的權(quán)重矩陣，V 刻，輸入數(shù)據(jù)為 ( )，輸出數(shù)據(jù) ( )， ( )和上一時(shí)刻的循環(huán)神經(jīng)網(wǎng)絡(luò)通過(guò)下面的公式 2-1 來(lái)計(jì)算 ( )，公式 2-性 ( )。g 函數(shù)為激活函數(shù)（activation function），通常選用 So量壓縮成另一個(gè) m 維實(shí)數(shù)向量，其中每個(gè)元素的取值m 個(gè)不同類上的概率分布。使用這個(gè)函數(shù)的意圖是將對(duì)如公式 2-3 所示。式 2-2 中的隱層輸出的激活函數(shù) f 通ot( )= g V i ht( )( )ht( )= f (U i x(t )+ W i h(t 1))

圖2.2標(biāo)準(zhǔn)循環(huán)神經(jīng)網(wǎng)絡(luò)訓(xùn)練損失計(jì)算圖經(jīng)網(wǎng)絡(luò)通常利用負(fù)對(duì)數(shù)似然（即交互熵）來(lái)構(gòu)建損失函數(shù)，互熵?fù)p失函數(shù)來(lái)計(jì)算。以 ′( )= ( ( ))為例，它表示輸入。實(shí)際上，通過(guò)使用交互熵?fù)p失函數(shù)計(jì)算，可以得到的負(fù)對(duì)數(shù)之和，則它的計(jì)算公式 2-5 如下： [ , , ]， ( )為真實(shí)的分布，而 ′( )為預(yù)測(cè)的概率。其結(jié)得到的損失結(jié)果只取決于相應(yīng)類別的 ( ( ))，相應(yīng)類，其損失函數(shù)的結(jié)果數(shù)值就越小。 RNN 的訓(xùn)練算法J(θ ) = E(y(t ), y'(t )) = y(t )logt=1T∑ (y'(t ))

立的模塊有更多的調(diào)節(jié)參數(shù)和邏輯門單元，結(jié)構(gòu)更加復(fù)雜。這兩個(gè)模塊結(jié)構(gòu)如下圖2.3 所示：圖2.3RNN 循環(huán)神經(jīng)網(wǎng)絡(luò)模塊圖2.4LSTM 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模塊長(zhǎng)短期記憶網(wǎng)絡(luò)中新引入了三個(gè)邏輯門結(jié)構(gòu)，分別是輸入門、輸出門和忘記門，具有增加和移除信息的功能。在三個(gè)邏輯門的控制下，新增單元狀態(tài)（cell state）來(lái)保存長(zhǎng)期狀態(tài)。1、遺忘門（forget gate）：遺忘門負(fù)責(zé)從單元狀態(tài)中移除不太重要的信息，這是優(yōu)化神經(jīng)網(wǎng)絡(luò)性能的一個(gè)很重要的方面。遺忘門的輸入是 （即特定時(shí)間步的輸入）和 ( )（即上一隱層單元的狀態(tài)）。遺忘門的控制函數(shù)決定保留和移除哪些值。用輸入向量與權(quán)重矩陣相乘，加上偏置項(xiàng)后再輸入到 Sigmod 函數(shù)中。則最終輸出的單元狀態(tài)對(duì)應(yīng)的向量取值范圍為[0,1]，其公式 2-12 如下：f(2-12)(t )= σ (Wf[h(t 1), xt] + bf)
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊子山;;2012/2013年度世界棉花供求、消費(fèi)與價(jià)格預(yù)測(cè)[J];中國(guó)棉花;2013年06期

2 張化中;;探索價(jià)格預(yù)測(cè)規(guī)律 為科學(xué)價(jià)格決策服務(wù)——價(jià)格預(yù)測(cè)特點(diǎn)、原則及應(yīng)努力做好的主要工作[J];價(jià)格理論與實(shí)踐;2012年06期

3 趙平;;2009—2030年原油價(jià)格預(yù)測(cè)[J];國(guó)外油田工程;2010年11期

4 張華偉;沈萍;;煤炭?jī)r(jià)格預(yù)測(cè)系統(tǒng)模型的構(gòu)建[J];煤炭經(jīng)濟(jì)研究;2009年09期

5 張化中;;積極探索 勇于實(shí)踐 不斷提高價(jià)格預(yù)測(cè)能力和水平——對(duì)當(dāng)前價(jià)格預(yù)測(cè)工作的幾點(diǎn)思考[J];價(jià)格理論與實(shí)踐;2009年12期

6 蘭興華;;2007-2008年基本金屬價(jià)格預(yù)測(cè)——路透社的調(diào)查[J];中國(guó)金屬通報(bào);2007年13期

7 ;2004年上半年部分農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)[J];農(nóng)村養(yǎng)殖技術(shù);2004年06期

8 王征兵;2004年上半年部分農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)[J];農(nóng)村實(shí)用技術(shù)與信息;2004年01期

9 陳建中;;投入產(chǎn)出分析法在價(jià)格預(yù)測(cè)中的應(yīng)用[J];預(yù)測(cè);1987年03期

10 夏瓊英;;1987—2000年世界鈾消耗的預(yù)測(cè)[J];國(guó)外核新聞;1987年09期

相關(guān)博士學(xué)位論文 前7條

1 戴相全;鎳的價(jià)格預(yù)測(cè)與采購(gòu)模型及其應(yīng)用研究[D];東北大學(xué);2015年

2 顏七笙;基于智能計(jì)算和混沌理論的鈾價(jià)格預(yù)測(cè)研究[D];江南大學(xué);2014年

3 高爽;基于數(shù)據(jù)流學(xué)習(xí)的國(guó)際石油價(jià)格預(yù)測(cè)研究[D];中國(guó)地質(zhì)大學(xué)(北京);2016年

4 張立杰;棉花價(jià)格研究及預(yù)測(cè)[D];天津大學(xué);2012年

5 季托;國(guó)際石油價(jià)格波動(dòng)行為機(jī)理及預(yù)測(cè)模型研究[D];東北石油大學(xué);2011年

6 劉銘;若干混合智能計(jì)算方法及應(yīng)用研究[D];吉林大學(xué);2014年

7 王桂紅;農(nóng)產(chǎn)品市場(chǎng)價(jià)格web信息分析方法研究[D];沈陽(yáng)農(nóng)業(yè)大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 趙梓良;基于數(shù)據(jù)挖掘的農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)研究[D];浙江海洋大學(xué);2019年

2 于嬌;面向價(jià)格預(yù)測(cè)的深度學(xué)習(xí)模型的設(shè)計(jì)與實(shí)現(xiàn)[D];西安電子科技大學(xué);2019年

3 宋智峰;建筑項(xiàng)目中鋼材價(jià)格預(yù)測(cè)及訂貨策略研究[D];北京理工大學(xué);2017年

4 李彥君;基于深度學(xué)習(xí)方法的機(jī)票價(jià)格預(yù)測(cè)[D];黑龍江大學(xué);2019年

5 劉濤;面向機(jī)票業(yè)務(wù)的預(yù)測(cè)服務(wù)系統(tǒng)[D];上海交通大學(xué);2018年

6 陳譽(yù)文;機(jī)票價(jià)格預(yù)測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];上海交通大學(xué);2016年

7 戴昊;基于Stacking理論的北京二手房交易價(jià)格預(yù)測(cè)研究[D];遼寧科技大學(xué);2019年

8 周楊;基于改進(jìn)的LSTM化肥價(jià)格預(yù)測(cè)[D];中國(guó)科學(xué)技術(shù)大學(xué);2019年

9 常誠(chéng);基于多模態(tài)信息融合的房地產(chǎn)價(jià)格預(yù)測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];北京郵電大學(xué);2019年

10 范瑜;電子產(chǎn)品價(jià)格預(yù)測(cè)模型分析與研究[D];長(zhǎng)安大學(xué);2019年

本文編號(hào)：2880792