本文關(guān)鍵詞：基于神經(jīng)網(wǎng)絡(luò)的股票預(yù)測，，由筆耕文化傳播整理發(fā)布。

【摘要】：算法交易能極大地減少決策者情緒波動對決策的影響,因此受到國外投資者的青睞。隨著中國證券市場的日益成熟,算法交易必定能在其中大展拳腳。深度學(xué)習(xí)在圖像識別、自然語言處理等領(lǐng)域取得了令人驚嘆的成果,金融必將是它攻下的又一座城堡�；谏疃葘W(xué)習(xí)理論,本文希望能對股票的未來漲跌趨勢做出一個(gè)比較明確的判斷,具體研究內(nèi)容如下:第一,本文首先從深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)出發(fā),闡明了深度學(xué)習(xí)是如何解決BP神經(jīng)網(wǎng)絡(luò)的諸多缺陷,然后利用批標(biāo)準(zhǔn)化、PRe LU和dropout等深度學(xué)習(xí)最新研究成果構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型。第二,循環(huán)神經(jīng)網(wǎng)絡(luò)及其改進(jìn)的長短時(shí)記憶模型是專門處理序列數(shù)據(jù)的模型。本文將長短時(shí)記憶模型與深度神經(jīng)網(wǎng)絡(luò)結(jié)合構(gòu)建深度循環(huán)神經(jīng)網(wǎng)絡(luò)模型。第三,在實(shí)證研究中,以亞馬遜公司股票的前十日歷史交易數(shù)據(jù)預(yù)測下一日的股票漲跌。經(jīng)過測試不同深度的深度神經(jīng)網(wǎng)絡(luò)與長短時(shí)記憶模型,本文發(fā)現(xiàn)深度神經(jīng)網(wǎng)絡(luò)在預(yù)測股票漲跌上還是有一定幫助的,能達(dá)到54%的三類(漲、震蕩、跌)預(yù)測準(zhǔn)確率。相對于隨機(jī)猜測提升了21個(gè)百分點(diǎn)。相比猜成震蕩,提高了7個(gè)百分點(diǎn)。實(shí)驗(yàn)的同時(shí)也驗(yàn)證了加大網(wǎng)絡(luò)深度對提升模型的擬合能力以及加入dropout正則對抗過擬合、提高模型泛化能力的顯著作用。與深度神經(jīng)網(wǎng)絡(luò)相比,原先以為會更加出色的長短時(shí)記憶模型的效果就不太理想。
【關(guān)鍵詞】：算法交易 神經(jīng)網(wǎng)絡(luò) 深度學(xué)習(xí) 股票預(yù)測 深度神經(jīng)網(wǎng)絡(luò) 長短時(shí)記憶模型
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：F831.51;TP183
【目錄】：

• 摘要4-5
• Abstract5-8
• 第1章 緒論8-14
• 1.1 課題背景及研究的目的和意義8-10
• 1.1.1 算法交易8-9
• 1.1.2 人工智能9-10
• 1.2 國內(nèi)外研究現(xiàn)狀10-13
• 1.3 本文主要研究內(nèi)容13-14
• 第2章 深度神經(jīng)網(wǎng)絡(luò)14-25
• 2.1 前饋神經(jīng)網(wǎng)絡(luò)14-15
• 2.2 激活函數(shù)15-19
• 2.2.1 S型函數(shù)15-16
• 2.2.2 分段線性函數(shù)16-18
• 2.2.3 其他函數(shù)18-19
• 2.3 優(yōu)化19-22
• 2.3.1 損失函數(shù)19-21
• 2.3.2 后向傳播21
• 2.3.3 Adam算法21-22
• 2.4 深度神經(jīng)網(wǎng)絡(luò)22-24
• 2.5 本章小結(jié)24-25
• 第3章 循環(huán)神經(jīng)網(wǎng)絡(luò)25-28
• 3.1 循環(huán)神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)25-26
• 3.2 長短時(shí)記憶模型26-27
• 3.3 本章小結(jié)27-28
• 第4章 實(shí)證分析28-38
• 4.1 實(shí)驗(yàn)數(shù)據(jù)28
• 4.2 網(wǎng)絡(luò)設(shè)計(jì)28-29
• 4.3 數(shù)據(jù)處理29-30
• 4.4 實(shí)驗(yàn)過程30-37
• 4.5 實(shí)驗(yàn)結(jié)論37-38
• 結(jié)論38-39
• 參考文獻(xiàn)39-44
• 致謝44

  本文關(guān)鍵詞：基于神經(jīng)網(wǎng)絡(luò)的股票預(yù)測，由筆耕文化傳播整理發(fā)布。

本文編號：254516