股票時間序列是一種常見的非線性時間序列,現(xiàn)有的股票時間序列預(yù)測研究主要集中在對股票的多個技術(shù)指標(biāo)中單一變量的預(yù)測研究方面,大多學(xué)者只用某種具體方法對股票技術(shù)指標(biāo)之一的預(yù)測應(yīng)用進行探索,并沒有考慮到多個指標(biāo)對單一輸出的聯(lián)合影響,更沒用構(gòu)建一套系統(tǒng)可行的股票價格時間序列預(yù)測建模體系。隨著機器學(xué)習(xí)算法的發(fā)展,神經(jīng)網(wǎng)絡(luò)模型的廣泛應(yīng)用,針對股票時間序列數(shù)據(jù)所具有的高噪聲、非線性、影響因素復(fù)雜等特點,本文分析當(dāng)前廣泛應(yīng)用于非線性時間序列預(yù)測的前饋神經(jīng)網(wǎng)絡(luò)預(yù)測算法存在的問題,借助新的理論和方法提出基于反饋神經(jīng)網(wǎng)絡(luò)的LSTM多尺度非線性時間序列預(yù)測模型,并將其運用在股票時間序列的預(yù)測中,實驗深入挖掘股票時間序列中的固有規(guī)律,為新型神經(jīng)網(wǎng)絡(luò)技術(shù)在股票時間序列預(yù)測分析中的應(yīng)用研究提供一定的價值。論文首先對前饋BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型進行研究,對影響其預(yù)測性能的內(nèi)部網(wǎng)絡(luò)參數(shù)進行分析,選取收盤價這一單尺度作為網(wǎng)絡(luò)的輸入,建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。實驗結(jié)果表明,當(dāng)歷史數(shù)據(jù)集的輸入維度一定時,隱含層節(jié)點的設(shè)置對其預(yù)測性能有明顯的影響。而歷史訓(xùn)練數(shù)據(jù)集足夠大時,相同輸入維度下的網(wǎng)絡(luò)誤差對隱含層節(jié)點的設(shè)置并不敏感。在此基... 

【文章來源】：蘭州交通大學(xué)甘肅省

【文章頁數(shù)】：59 頁

【學(xué)位級別】：碩士

【部分圖文】：

研究技術(shù)路線圖

典 BP 神經(jīng)網(wǎng)絡(luò)基本原理工神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)概念的一個主要應(yīng)用工具。它是人類神經(jīng)系統(tǒng)的一其中包含一系列可以通過軸突相互通信的神經(jīng)元，它們可以通過實例進行提高性能，是一種自適應(yīng)學(xué)習(xí)系統(tǒng)。第一個人工神經(jīng)元由麥卡洛克和皮提出，旨在為神經(jīng)活動建立計算模型。之后的很多學(xué)者又對該模型進行了比如馮·諾依曼的數(shù)字計算機、馬文·明斯基和弗蘭克·羅森布拉特提等[29]。其中應(yīng)用最為廣泛的便是 BP 神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural ，它是一種多層網(wǎng)絡(luò)的誤差反向傳播算法。常見的 BP 神經(jīng)網(wǎng)絡(luò)一般由輸和輸出層三層結(jié)構(gòu)組成(圖 2.1)。目前，在人工神經(jīng)網(wǎng)絡(luò)的眾多應(yīng)用實例是采用 BP 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)或是它的變化形式，這也是前饋型神經(jīng)網(wǎng)絡(luò)的體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)最精華的部分。

蘭州交通大學(xué)碩士學(xué)位論文當(dāng)梯度不再下降或達(dá)到訓(xùn)練約束時，則停止更新權(quán)值，結(jié)束整個訓(xùn)練過程，然好的網(wǎng)絡(luò)進行預(yù)測分析。從上式可以看出學(xué)習(xí)率 的選取對算法的效果起到了用。一方面，如果 過小，則權(quán)值會移動的非常緩慢，收斂將會非常的耗時。，如果 過大，則可能出現(xiàn)梯度值呈現(xiàn)波浪形而難以收斂。

【參考文獻】：
期刊論文
[1]貝葉斯神經(jīng)網(wǎng)絡(luò)在股票時間序列預(yù)測中的應(yīng)用[J]. 劉恒,侯越.  計算機工程與應(yīng)用. 2019(12)
[2]基于多時間尺度RNN的時序數(shù)據(jù)預(yù)測[J]. 李潔,林永峰.  計算機應(yīng)用與軟件. 2018(07)
[3]深度學(xué)習(xí)原理及應(yīng)用綜述[J]. 付文博,孫濤,梁藉,閆寶偉,范福新.  計算機科學(xué). 2018(S1)
[4]水平窗口能量計算的股市趨勢預(yù)測算法[J]. 劉裕國,王浩,姚宏亮,李俊照.  計算機工程與應(yīng)用. 2017(21)
[5]基于非線性分位數(shù)回歸模型的多期VaR風(fēng)險測度[J]. 許啟發(fā),張金秀,蔣翠俠.  中國管理科學(xué). 2015(03)
[6]基于新時期滬深300指數(shù)的歷史模擬法VaR風(fēng)險度量[J]. 甘霖.  區(qū)域金融研究. 2014(03)
[7]基于小波分析與神經(jīng)網(wǎng)絡(luò)時間序列的股票預(yù)測方法[J]. 王剛,許曉兵.  金融經(jīng)濟. 2013(12)
[8]自回歸模型的自回歸分析及其應(yīng)用[J]. 呂效國,王金華,馬阿芹,索淑文.  揚州大學(xué)學(xué)報(自然科學(xué)版). 2010(03)
[9]基于相空間重構(gòu)理論與遞歸神經(jīng)網(wǎng)絡(luò)相結(jié)合的股票短期預(yù)測方法[J]. 馬千里,鄭啟倫,彭宏,鐘譚衛(wèi).  計算機應(yīng)用研究. 2007(04)
[10]基于Levenberg-Marquardt算法的神經(jīng)網(wǎng)絡(luò)監(jiān)督控制[J]. 趙弘,周瑞祥,林廷圻.  西安交通大學(xué)學(xué)報. 2002(05)

博士論文
[1]基于深度學(xué)習(xí)的網(wǎng)絡(luò)流量分類及異常檢測方法研究[D]. 王偉.中國科學(xué)技術(shù)大學(xué) 2018

碩士論文
[1]基于神經(jīng)網(wǎng)絡(luò)方法的A股市場多因子選股策略研究[D]. 吳玉海.電子科技大學(xué) 2018
[2]基于數(shù)據(jù)挖掘技術(shù)的股價預(yù)測研究[D]. 潘曉東.青島大學(xué) 2018
[3]基于相關(guān)性的股票價格預(yù)測模型研究[D]. 寧苡鶴.北京郵電大學(xué) 2018
[4]深度學(xué)習(xí)在移動業(yè)務(wù)預(yù)測中的研究與應(yīng)用[D]. 王思遠(yuǎn).北京郵電大學(xué) 2018
[5]基于LSTM和灰色模型集成的短期交通流預(yù)測[D]. 談苗苗.南京郵電大學(xué) 2017
[6]人工神經(jīng)網(wǎng)絡(luò)在股票預(yù)測中的應(yīng)用研究[D]. 肖琪.華南理工大學(xué) 2017
[7]激活函數(shù)導(dǎo)向的RNN算法優(yōu)化[D]. 張堯.浙江大學(xué) 2017
[8]基于LSTM神經(jīng)網(wǎng)絡(luò)的美股股指價格趨勢預(yù)測模型的研究[D]. 孫瑞奇.首都經(jīng)濟貿(mào)易大學(xué) 2016
[9]金融時間序列的時序性特點分析及相應(yīng)的風(fēng)險測度方法研究[D]. 何洋.哈爾濱工業(yè)大學(xué) 2015
[10]中國股市技術(shù)分析有效性研究[D]. 包懿.上海交通大學(xué) 2015



本文編號：3290953