股價預測是時間序列預測中最具挑戰(zhàn)性的問題之一,研究股價預測問題具有重要的理論意義和應用價值。人工神經(jīng)網(wǎng)絡因為具有強大的自學習能力,并且比傳統(tǒng)的統(tǒng)計學和計量經(jīng)濟學模型的效果更優(yōu),所以被廣泛應用于股票市場分析與預測。近年來,以人工神經(jīng)網(wǎng)絡為基礎的深度學習算法得到快速發(fā)展,在語音、圖像等領域取得了巨大的成功,但是卻很少被應用于股票市場研究。目前,以自動編碼器為代表的深度學習算法在預測問題上取得了顯著的成就。自動編碼器一般采用兩階段的學習框架:1)無監(jiān)督學習深度特征;2)有監(jiān)督的預測。該框架既能發(fā)揮深度學習算法在特征學習的優(yōu)勢,又能取得良好的預測性能。論文引入以自動編碼器為代表的深度學習框架研究了股價短期預測問題,主要研究工作如下:1.為了全面地考慮與股價相關的因素,論文選取收盤價、開盤價、最高價、最低價以及技術指標共36個指標,建立股價短期預測的指標體系。2.在無監(jiān)督的特征學習階段,針對股價數(shù)據(jù)的高維度、高噪音等特點,為了對數(shù)據(jù)進行降維和降噪,論文結(jié)合收縮自動編碼器的特點,改進非完備自動編碼器;為了學習股價的深度特征,論文以改進的自動編碼器為基礎,建立了堆棧式收縮自動編碼器（SCAEs）的無... 

【文章來源】：重慶大學重慶市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：66 頁

【學位級別】：碩士

【文章目錄】：
中文摘要
英文摘要
1 緒論
    1.1 研究背景與意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 文獻研究現(xiàn)狀綜述
        1.2.1 國外研究文獻現(xiàn)狀
        1.2.2 國內(nèi)研究文獻現(xiàn)狀
    1.3 論文的研究思路和研究內(nèi)容
        1.3.1 研究思路
        1.3.2 研究工作
2 股價短期預測的理論與方法
    2.1 股價短期預測指標體系
    2.2 股價預測的難點
    2.3 股價預測的常用方法
3 自動編碼器概述
    3.1 人工神經(jīng)網(wǎng)絡模型
        3.1.1 BP神經(jīng)網(wǎng)絡結(jié)構(gòu)
        3.1.2 反向傳播算法
        3.1.3 BP神經(jīng)網(wǎng)絡的局限性
    3.2 自動編碼器算法
        3.2.1 自動編碼器概述
        3.2.2 自動編碼器類型
    3.3 堆棧式自動編碼器
        3.3.1 無監(jiān)督預訓練
        3.3.2 模型微調(diào)
4 循環(huán)神經(jīng)網(wǎng)絡
    4.1 循環(huán)神經(jīng)網(wǎng)絡
        4.1.1 循環(huán)神經(jīng)網(wǎng)絡原理
        4.1.2 循環(huán)神經(jīng)網(wǎng)絡理論分析
        4.1.3 循環(huán)神經(jīng)網(wǎng)絡的優(yōu)勢和問題
    4.2 長短時記憶神經(jīng)網(wǎng)絡
        4.2.1 長短時記憶神經(jīng)網(wǎng)絡理論分析
        4.2.2 長短時記憶神經(jīng)網(wǎng)絡模型的優(yōu)勢及問題
5 基于長短時記憶網(wǎng)絡的股價短期預測分析
    5.1 基于長短時記憶網(wǎng)絡的深度學習模型
        5.1.1 模型結(jié)構(gòu)
        5.1.2 數(shù)據(jù)準備
        5.1.3 評價指標
        5.1.4 研究工具
    5.2 堆棧式收縮自動編碼器結(jié)構(gòu)設計和參數(shù)選擇
        5.2.1 隱藏層節(jié)點數(shù)的影響
        5.2.2 正則化參數(shù)的影響
    5.3 長短時記憶網(wǎng)絡結(jié)構(gòu)設計和參數(shù)選擇
        5.3.1 cell神經(jīng)元數(shù)目對精度的影響
        5.3.2 激活函數(shù)對精度的影響
    5.4 基于長短時記憶網(wǎng)絡股價短期預測模型
        5.4.1 SCAEs-LSTM算法在股價短期預測的實證分析
        5.4.2 幾種預測方法的對比分析
6 結(jié)論與展望
    6.1 研究結(jié)論
    6.2 研究展望
致謝
參考文獻
附錄
    A.作者在攻讀碩士期間發(fā)表論文


【參考文獻】：
期刊論文
[1]股票價格短期預測的LM遺傳神經(jīng)網(wǎng)絡算法[J]. 肖菁,潘中亮.  計算機應用. 2012(S1)
[2]基于遺傳神經(jīng)網(wǎng)絡的股票價格短期預測[J]. 孫全,朱江.  計算機工程與應用. 2002(05)

碩士論文
[1]基于模糊深度學習網(wǎng)絡算法的短期股價預測[D]. 劉慶玲.哈爾濱工業(yè)大學 2016
[2]基于神經(jīng)網(wǎng)絡的股票預測[D]. 俞福福.哈爾濱工業(yè)大學 2016
[3]基于LSTM神經(jīng)網(wǎng)絡的美股股指價格趨勢預測模型的研究[D]. 孫瑞奇.首都經(jīng)濟貿(mào)易大學 2016
[4]基于BP神經(jīng)網(wǎng)絡的股票指數(shù)期貨價格預測[D]. 李聰.青島大學 2012
[5]基于小波分析與神經(jīng)網(wǎng)絡的股票市場預測應用研究[D]. 潘林.武漢理工大學 2006



本文編號：2921428