發(fā)布時間：2021-04-13 22:02

　　為構(gòu)建更精準(zhǔn)的股票價(jià)格預(yù)測模型,提出具有局部信息挖掘功能的DNN加權(quán)算法對eplion-TSVR模型進(jìn)行改進(jìn),并對改進(jìn)模型的求解進(jìn)行推導(dǎo),針對DNN算法對于參數(shù)的選取太過隨意,提出使用網(wǎng)格搜索法確定DNN的最優(yōu)參數(shù)以確定最優(yōu)DR域。搜集中國上證A股中的15支股票的日價(jià)格和高頻5分鐘價(jià)格數(shù)據(jù)并計(jì)算其技術(shù)指標(biāo),對20天以及20分鐘后的收盤價(jià)進(jìn)行實(shí)證預(yù)測。預(yù)測結(jié)果顯示,改進(jìn)模型在高頻股票數(shù)據(jù)上具有很好的預(yù)測能力和泛化性能。 

【文章來源】：計(jì)算機(jī)工程與設(shè)計(jì). 2019,40(11)北大核心

【文章頁數(shù)】：6 頁

【文章目錄】：
0 引言
1 文獻(xiàn)綜述
2 模型
    2.1 DNN算法及基于DNN的樣本加權(quán)新方法
    2.2 e-TSVR模型
        2.2.1 線性e-TSVR模型
        2.2.2 非線性e-TSVR模型
    2.3 改進(jìn)的DNN加權(quán)e-TSVR模型
3 實(shí)證驗(yàn)證
    3.1 數(shù)據(jù)及數(shù)據(jù)預(yù)處理
    3.2 模型評價(jià)指標(biāo)
    3.3 實(shí)證結(jié)果
    3.4 結(jié)論
4 結(jié)束語


【參考文獻(xiàn)】：
期刊論文
[1]基于離散小波分解和支持向量機(jī)的股指組合預(yù)測[J]. 嚴(yán)駿宏.  統(tǒng)計(jì)與決策. 2017(03)
[2]基于PCA-FOA-SVR的股票價(jià)格預(yù)測研究[J]. 王衛(wèi)紅,卓鵬宇.  浙江工業(yè)大學(xué)學(xué)報(bào). 2016(04)
[3]關(guān)于股票價(jià)格優(yōu)化預(yù)測的建模仿真研究[J]. 陳遠(yuǎn),羅必輝,蔣維琛,孫宏偉.  云南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(04)
[4]基于改進(jìn)的支持向量回歸機(jī)的金融時序預(yù)測[J]. 陳懿冰,張玲玲,聶廣禮,石勇.  數(shù)學(xué)的實(shí)踐與認(rèn)識. 2012(04)



本文編號：3136084