對(duì)于利潤最大化,基于模型的股票價(jià)格預(yù)測可以為投資者提供有價(jià)值的指導(dǎo)。然而,金融數(shù)據(jù)中存在高噪聲,使用原始數(shù)據(jù)訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)無法實(shí)現(xiàn)準(zhǔn)確地預(yù)測股票價(jià)格。為了解決這一問題,采用廣泛應(yīng)用于信號(hào)去噪的小波變換去噪方法對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行預(yù)處理,實(shí)驗(yàn)結(jié)果表明,采用軟/硬閾值方法進(jìn)行數(shù)據(jù)預(yù)處理可以明顯抑制噪聲。在本課題研究中,主要工作有:首次提出使用小波變換的方法來對(duì)原始股票數(shù)據(jù)作預(yù)處理,并將預(yù)處理數(shù)據(jù)應(yīng)用于模型訓(xùn)練;改進(jìn)了原始的小波去噪方法,改進(jìn)后的方法進(jìn)行數(shù)據(jù)預(yù)處理的模型訓(xùn)練結(jié)果性能得到提升;此外,還提出了一種新的多優(yōu)化組合小波變換（MOCWT）方法,實(shí)驗(yàn)結(jié)果表明該方法對(duì)原始數(shù)據(jù)預(yù)處理的效果最好,在該方法中,提出了一種新的閾值去噪函數(shù)來對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理,以降低信號(hào)重構(gòu)中的失真程度。本課題實(shí)驗(yàn)中,利用小波預(yù)處理后的數(shù)據(jù)作為長短時(shí)記憶網(wǎng)絡(luò)（LSTM）模型的訓(xùn)練數(shù)據(jù)來進(jìn)行訓(xùn)練,從而進(jìn)行股價(jià)預(yù)測。LSTM是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）,因?yàn)樗旧砭哂械莫?dú)特的“門循環(huán)”結(jié)構(gòu)使得LSTM更適合于處理和預(yù)測較長時(shí)間間距和時(shí)間序列延遲類的問題。LSTM是一種典型的非線性模型,通常被看作是一個(gè)復(fù)雜的非線性... 

【文章來源】：天津工業(yè)大學(xué)天津市

【文章頁數(shù)】：61 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

階躍函數(shù)圖像

天津工業(yè)大學(xué)碩士學(xué)位論文16有著重要意義。在感知機(jī)的訓(xùn)練過程中，對(duì)于訓(xùn)練樣本(x,y),感知機(jī)的權(quán)重會(huì)做如下調(diào)整：iiiwww公式(2-3)ii(xyyw)公式(2-4)其中η∈(0,1)為學(xué)習(xí)率，從上式中可以看出，感知機(jī)對(duì)于訓(xùn)練樣本的正確分類，即有yy，感知機(jī)將不做任何調(diào)整，反之，則根據(jù)錯(cuò)誤的程度進(jìn)行權(quán)重的調(diào)整。2.4.3前向傳播算法在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中，通常使用前向傳播算法[30]的計(jì)算得到神經(jīng)網(wǎng)絡(luò)的輸出。不同結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)的前向傳播方式也不盡相同，當(dāng)前大多神經(jīng)網(wǎng)絡(luò)所使用的前向傳播算法中，全連接的神經(jīng)網(wǎng)絡(luò)的前向傳播模式最為簡單。神經(jīng)網(wǎng)絡(luò)是由多個(gè)神經(jīng)元構(gòu)成，神經(jīng)元是構(gòu)成神經(jīng)網(wǎng)絡(luò)的最小單元，圖2-2是一個(gè)最簡單的神經(jīng)元結(jié)構(gòu)。圖2-2神經(jīng)元結(jié)構(gòu)示意圖圖2-2表明，一個(gè)神經(jīng)元可以有多個(gè)輸入和一個(gè)輸出，其中，除了其他神經(jīng)元的輸出可以作為神經(jīng)元的輸入以外，整個(gè)神經(jīng)網(wǎng)絡(luò)的輸入也可以作為神經(jīng)元的輸入。輸出是所有輸入的加權(quán)和，其中，不同的輸入的權(quán)重可作為神經(jīng)元的參數(shù)。所謂神經(jīng)網(wǎng)絡(luò)的優(yōu)化就是在訓(xùn)練過程中不斷地對(duì)神經(jīng)元中參數(shù)取值優(yōu)化的過程，如圖2-3是一個(gè)三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。

第二章理論研究基礎(chǔ)及相關(guān)技術(shù)介紹17圖2-3三層神經(jīng)網(wǎng)絡(luò)前向傳播示意圖通常情況下，使用三部分信息即可求得神經(jīng)網(wǎng)絡(luò)前向傳播的計(jì)算結(jié)果。其中，必不可少的是神經(jīng)網(wǎng)絡(luò)的輸入，該輸入值可以是具體的特征向量，這些特征向量可以從實(shí)體中取得。此外，必須定義神經(jīng)網(wǎng)絡(luò)的內(nèi)部連接結(jié)構(gòu)，該結(jié)構(gòu)指定了神經(jīng)網(wǎng)絡(luò)內(nèi)部不同神經(jīng)元之間的輸入輸出的關(guān)系，通常此結(jié)構(gòu)的設(shè)定是否合理對(duì)于神經(jīng)網(wǎng)絡(luò)解決特定問題的最終性能起到了重要的作用。最后一部分是神經(jīng)元的參數(shù)，在圖2-3中，使用w來表示神經(jīng)元中的參數(shù)，w的上下標(biāo)分別代表了神經(jīng)網(wǎng)絡(luò)的層數(shù)和連接點(diǎn)的編號(hào)。當(dāng)指定神經(jīng)網(wǎng)絡(luò)的輸入，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和邊上的權(quán)重時(shí)，就可以通過前向傳播算法來計(jì)算出神經(jīng)網(wǎng)絡(luò)的輸出。2.4.4BP神經(jīng)網(wǎng)絡(luò)在深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中，一個(gè)較為合理的損失函數(shù)通常會(huì)被用來度量訓(xùn)練樣本的輸出損失，通過最小化這個(gè)損失函數(shù)的值的方式，來實(shí)現(xiàn)對(duì)整個(gè)神經(jīng)網(wǎng)絡(luò)的調(diào)整尋優(yōu)。在對(duì)損失函數(shù)優(yōu)化求極值的過程中，使用梯度下降法來逐步迭代完成優(yōu)化的方法較為普遍。其中，反向傳播[31]算法即為深度神經(jīng)網(wǎng)絡(luò)的損失函數(shù)采用梯度下降法來進(jìn)行迭代優(yōu)化求極小值的過程中的核心算法，被稱為誤差反向傳播神經(jīng)網(wǎng)絡(luò)，簡稱BP神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)是被應(yīng)用于神經(jīng)網(wǎng)絡(luò)優(yōu)化中最普遍的神經(jīng)網(wǎng)絡(luò)模型之一。在BP神經(jīng)網(wǎng)絡(luò)中，梯度下降算法會(huì)通過反向傳播的方式來不斷調(diào)整整個(gè)網(wǎng)絡(luò)的權(quán)重和偏置，即所謂的調(diào)參過程，使得網(wǎng)絡(luò)的誤差取得最小值。BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)中，主要包含三個(gè)部分，其中有輸入層、隱藏層和輸出層。在BP網(wǎng)絡(luò)的訓(xùn)練過程中，信息的正向傳播會(huì)得到網(wǎng)絡(luò)的輸出結(jié)果，誤差的反向傳播來實(shí)現(xiàn)參數(shù)的調(diào)優(yōu)。輸入層用來接受外界的輸入信息，并將信息傳遞給


本文編號(hào)：3567892