發(fā)布時(shí)間：2021-09-24 17:45

　　隨著我國(guó)經(jīng)濟(jì)的大發(fā)展,股票市場(chǎng)也在不斷加強(qiáng)建設(shè),投資種類不斷豐富,股票研究的核心已經(jīng)由盈利轉(zhuǎn)移到有效規(guī)避風(fēng)險(xiǎn)。為了能更好的以現(xiàn)代投資組合理論指導(dǎo)投資,構(gòu)建投資組合,分散非系統(tǒng)性風(fēng)險(xiǎn),本文在股票數(shù)據(jù)的研究中做了以下工作:首先,本文構(gòu)建了股價(jià)數(shù)據(jù)的時(shí)間序列矩陣。股價(jià)數(shù)據(jù)的具有離散時(shí)間序列的典型特征:維度高、數(shù)據(jù)量大、長(zhǎng)短不一致,同時(shí)還有數(shù)據(jù)稀疏問(wèn)題。本文基于Tu-Share的金融數(shù)據(jù)接口獲取2017-2018年的股票的收盤價(jià)數(shù)據(jù),并對(duì)每只股票基于時(shí)間序列的股價(jià)進(jìn)行歸一化處理,處理后的數(shù)據(jù)存在數(shù)據(jù)稀疏性的問(wèn)題,以缺失值填充的方法來(lái)解決,最終得到可以作為模型輸入的時(shí)間序列矩陣。其次,本文構(gòu)建了基于Auto-Encoder的股票交易數(shù)據(jù)的聚類模型。利用Auto-Encoder算法特征降維的特點(diǎn)提取更高維度特征,削弱了聚類過(guò)程提取特征規(guī)律時(shí)受噪聲影響過(guò)大的問(wèn)題。實(shí)驗(yàn)證明將該模型用于股票聚類,可以得到高內(nèi)聚低耦合的聚類結(jié)果,證明了模型的可行性,同時(shí)新模型可以在大數(shù)據(jù)量下獲得較好的表現(xiàn),收斂速度也比原模型更快。然后本文建立了基于深度信念網(wǎng)絡(luò)的股票簇漲勢(shì)的短期預(yù)測(cè)模型。在之前的研究中發(fā)現(xiàn)作為深度學(xué)習(xí)常用... 

【文章來(lái)源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：82 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－１聚類算法分類圖??９??

?其中，Ｚ是各輸入分量的線性組合，ｙ是對(duì)ｚ應(yīng)用非線性函數(shù)ｇ（Ｚ）所產(chǎn)生的輸??出，神經(jīng)元的基本結(jié)構(gòu)如圖２－２所示。??Ｘ２?——ｙ??：?Ｗｒｊ／?＇ｙ??Ｘｎ?＾??圖２－２神經(jīng)元的結(jié)構(gòu)??２．３深度學(xué)習(xí)框架??２．３．１?Ｓｃｉｋｉｔ－ｌｅａｍ??Ｓｃｉｋｉｔ－ｌｅａｒｎ，即眾所周知的ＳＫ－ｌｅａｍ，作為一個(gè)機(jī)器學(xué)習(xí)的算法庫(kù)，ＳＫ－ｌｅａｒｎ??以Ｐｙｔｈｏｎ?ＡＰＩ的形式暴露各種算法。具體來(lái)說(shuō)ＳＫ－ｌｅａｍ通過(guò)定義統(tǒng)一的Ｐｙｔｈｏｎ??接口，實(shí)現(xiàn)一系列有監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)的算法，以用于數(shù)據(jù)挖掘和數(shù)據(jù)分析，??是專門用于機(jī)器學(xué)習(xí)的模塊。??研究過(guò)程中的數(shù)據(jù)預(yù)處理問(wèn)題、數(shù)據(jù)降維問(wèn)題、分類問(wèn)題、回歸問(wèn)題甚至訓(xùn)??練模型的選擇都可以通過(guò)ＳＫ－ｌｅａｒｎ暴露的ＡＰＩ進(jìn)項(xiàng)快速實(shí)現(xiàn)。ＳＫｌｅａｍ是基于??Ｎｕｍｅｒｉｃａｌ?Ｐｙｔｈｏｎ，?Ｓｃｉｅｎｔｉｆｉｃ?Ｃｏｍｐｕｔｉｎｇ?Ｔｏｏｌｓ?ｆｏｒ?Ｐｙｔｈｏｎ，?Ｍａｔｐｌｏｔｌｉｂ?三個(gè)工具庫(kù)的，??關(guān)于這三個(gè)工具庫(kù)介紹如下：??Ｎｕｍｅｒｉｃａｌ?Ｐｙｔｈｏｎ，簡(jiǎn)稱ＮｕｍＰｙ，是Ｐｙｔｈｏｎ實(shí)現(xiàn)的開源科學(xué)計(jì)算包。是一個(gè)??數(shù)據(jù)處理能力較強(qiáng)的工具庫(kù)，研究過(guò)程中需要定義高維數(shù)組對(duì)象、或者需要矩陣??計(jì)算等都可以使用ＮｉｍｉＰｙ工具包。??Ｓｃｉｅｎｔｉｆｉｃ?Ｃｏｍｐｕｔｉｎｇ?Ｔｏｏｌｓ?ｆｏｒ?Ｐｙｔｈｏｎ，簡(jiǎn)稱?ＳｃｉＰｙ：和?ＮｕｍＰｙ?—樣是?Ｐｙｔｈｏｎ??實(shí)現(xiàn)的高級(jí)科學(xué)計(jì)算包。研宄過(guò)程中的數(shù)學(xué)統(tǒng)計(jì)、優(yōu)化算法、插值運(yùn)算、圖像處??理等問(wèn)題都可以使用ＳｃｉＰｙ工具包，此外，ＳｃｉＰｙ和ＮｕｍＰｙ是相輔相成的，ＮｕｍＰｙ??可以理解成對(duì)象

功率譜、直方圖、折線圖、條形圖等等，滿足科研工作者的需求。??Ｓｃｉｋｉｔ－ｌｅａｍ作為機(jī)器學(xué)習(xí)的專用框架，其內(nèi)部基于Ｐｙｔｈｏｎ實(shí)現(xiàn)了各種各樣??成熟的算法，樣例豐富，安裝簡(jiǎn)便，代碼開源，在使用時(shí)，我們可以根據(jù)圖２－３??進(jìn)行算法的選擇，并且教程和文檔描述得非常詳細(xì)，讓使用者的使用過(guò)程也很便??捷，滿足科研工作者的多種需求。??／?分類?ｓｃｉｋｉｔ－ｌｅａｍ??／?班?＼?算法選擇路徑圖??＼?一?，７ＴＸＰ?，??ｒａ?．ｉｆｉＴａ；?＼?ＳＩ?＇?＇．．Ｊ??１＿１?＾?＼??、ｒ?／?藏?ＥａＨ??＠?ｉｅａｄｎ??圖２－３?ｓｃｉｋｉｔ－ｌｅａｍ算法選擇路徑圖??Ｓｃｉｋｉｔ－ｌｅａｍ開源框架的優(yōu)點(diǎn)是使用簡(jiǎn)單、模型經(jīng)過(guò)篩選且質(zhì)量高、覆蓋了大??多數(shù)機(jī)器學(xué)習(xí)任務(wù)、可擴(kuò)展至較大的數(shù)據(jù)規(guī)模。缺點(diǎn)是靈活性低、不支持深度學(xué)??習(xí)和強(qiáng)化學(xué)習(xí)、不支持圖模型和序列預(yù)測(cè)。??２．３．２?Ｋｅｒａｓ??Ｋｅｒａｓ是一個(gè)高層神經(jīng)網(wǎng)絡(luò)ＡＰＩ，是基于Ｔｈｅａｎｏ的一個(gè)深度學(xué)習(xí)框架，它的??設(shè)計(jì)參考了?Ｔｏｒｃｈ，用純Ｐｙｔｈｏｎ語(yǔ)言編寫而成，并基Ｔｈｅａｎｏ和Ｔｅｎｓｏｒｆｌｏｗ的深??度學(xué)習(xí)庫(kù)以及ＣＮＴＫ后端。??Ｋｅｒａｓ是一個(gè)高度模塊化的神經(jīng)網(wǎng)絡(luò)庫(kù)，其為支持快速實(shí)驗(yàn)而生，通過(guò)簡(jiǎn)易??和快速的原型設(shè)計(jì)，支持ＣＮＮ和ＲＮＮ或二者的結(jié)合，可以實(shí)現(xiàn)ＣＰＵ和ＧＰＵ的??無(wú)縫切換。??Ｋｅｒａｓ的特點(diǎn)是：極簡(jiǎn)

【參考文獻(xiàn)】：
期刊論文
[1]基于神經(jīng)網(wǎng)絡(luò)集成學(xué)習(xí)股票預(yù)測(cè)模型的研究[J]. 謝琪,程耕國(guó),徐旭.  計(jì)算機(jī)工程與應(yīng)用. 2019(08)
[2]時(shí)態(tài)神經(jīng)網(wǎng)絡(luò)模型及其在股票分類預(yù)測(cè)上應(yīng)用[J]. 邱一豪,孟志青.  計(jì)算機(jī)工程與應(yīng)用. 2019(15)
[3]多元線性回歸模型及股票板塊指數(shù)預(yù)測(cè)[J]. 李勇.  全國(guó)流通經(jīng)濟(jì). 2017(10)
[4]基于自適應(yīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)股票價(jià)格預(yù)測(cè)[J]. 郝繼升,任浩然,井文紅.  河南科學(xué). 2017(02)
[5]深度信念網(wǎng)絡(luò)（DBN）網(wǎng)絡(luò)層次數(shù)量的研究及應(yīng)用[J]. 高強(qiáng),馬艷梅.  科學(xué)技術(shù)與工程. 2016(23)
[6]基于復(fù)雜網(wǎng)絡(luò)理論的股票聚類分析[J]. 林少鋒,張勇.  曲靖師范學(xué)院學(xué)報(bào). 2016(03)
[7]深度信念網(wǎng)絡(luò)研究綜述[J]. 丁美昆,徐昱琳,蔣財(cái)軍.  工業(yè)控制計(jì)算機(jī). 2016(04)
[8]基于深度信念網(wǎng)絡(luò)的在線視頻熱度預(yù)測(cè)[J]. 陳亮,張俊池,王娜,李霞,陳宇環(huán).  計(jì)算機(jī)工程與應(yīng)用. 2017(09)
[9]股票市場(chǎng)中主成分分析及聚類分析的綜合應(yīng)用[J]. 郭茜.  科技風(fēng). 2013(11)
[10]時(shí)間序列模型和神經(jīng)網(wǎng)絡(luò)模型在股票預(yù)測(cè)中的分析[J]. 劉海玥,白艷萍.  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2011(04)

碩士論文
[1]基于深度學(xué)習(xí)的股票預(yù)測(cè)方法的研究與實(shí)現(xiàn)[D]. 周愷越.北京郵電大學(xué) 2018
[2]模糊C-均值聚類在股票投資中的應(yīng)用[D]. 宋宗香.東北石油大學(xué) 2017
[3]面向失衡數(shù)據(jù)的稀疏性問(wèn)題的研究[D]. 馮雪圓.哈爾濱理工大學(xué) 2016
[4]基于PCA-NBC算法的股票分類研究[D]. 王志.蘭州大學(xué) 2014
[5]基于蟻群聚類算法的股票板塊分類研究[D]. 張傳琦.復(fù)旦大學(xué) 2012
[6]BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)研究及應(yīng)用[D]. 劉天舒.東北農(nóng)業(yè)大學(xué) 2011
[7]BP神經(jīng)網(wǎng)絡(luò)算法改進(jìn)及應(yīng)用研究[D]. 黃麗.重慶師范大學(xué) 2008
[8]BP神經(jīng)網(wǎng)絡(luò)在股票預(yù)測(cè)中的應(yīng)用研究[D]. 王莎.中南大學(xué) 2008
[9]BP神經(jīng)網(wǎng)絡(luò)用于市場(chǎng)預(yù)測(cè)的研究[D]. 戴丹.武漢理工大學(xué) 2006



本文編號(hào)：3408172