為給市場參與者和管理者提供有效判斷股票市場的狀態(tài)及未來的變化趨勢的決策依據(jù),以人工智能的非線性模型為基礎(chǔ),基于支持向量機(jī)理論,借助差分進(jìn)化算法對(duì)其參數(shù)尋優(yōu),構(gòu)建基于互信息與RBM特征提取的股票指數(shù)預(yù)測模型,拓展信息挖掘的范圍,將技術(shù)指標(biāo)和周邊市場信息以互信息加權(quán)的方式同時(shí)納入運(yùn)算;基于RBM無監(jiān)督學(xué)習(xí)方式,與支持向量機(jī)深度結(jié)合,提取數(shù)據(jù)中隱含的深層次特征.通過恒生指數(shù)的實(shí)例驗(yàn)證結(jié)果表明所構(gòu)建模型的有效性,研究結(jié)論為投資者行情分析及決策提供參考建議. 

【文章頁數(shù)】：6 頁

【文章目錄】：
0 引言
1 RBM模型
    1.1 受限玻爾茲曼機(jī)
    1.2 RBM的訓(xùn)練
    1.3 深度信念網(wǎng)絡(luò)
2 模型構(gòu)建
3 模型的驗(yàn)證與結(jié)果分析
    3.1 數(shù)據(jù)的選取和預(yù)處理
    3.2 互信息加權(quán)
    3.3 參數(shù)的選取及優(yōu)化
    3.4 結(jié)果對(duì)比與分析
4 結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]基于粒子群訓(xùn)練的神經(jīng)網(wǎng)絡(luò)股票預(yù)測模型[J]. 肖冬榮,楊子天.  統(tǒng)計(jì)與決策. 2009(12)
[2]多輸出支持向量回歸及其在股指預(yù)測中的應(yīng)用[J]. 胡蓉.  計(jì)算機(jī)技術(shù)與發(fā)展. 2007(10)



本文編號(hào)：3688990