本文關鍵詞：基于人工智能算法的股票價格波動規(guī)律預測方法研究

  更多相關文章： 股票交易市場 特征提取 支持向量機 神經(jīng)網(wǎng)絡 AdaBoost

【摘要】：從股票交易市場誕生以來,為了提高投資收益率降低投資風險率,不斷有人使用不同方式方法研究股票市場運行規(guī)律來預測其未來的波動規(guī)律。然而,由于股票市場的交易受到政治經(jīng)濟形勢、金融政策和重大消息等諸多因素的影響,使得股價走勢變幻莫測,想要準確預測股票交易價格波動規(guī)律是一項極其困難的工作。在股票交易市場這個極為復雜的交易系統(tǒng)中,它所具有的動蕩性、非線性、高噪音以及高冗余等因素決定了股票交易價格波動規(guī)律預測的過程的復雜與困難程度,已經(jīng)存在的預測方法很難建立有效而又精確的股票交易價格波動規(guī)律預測模型。人工智能領域發(fā)展至今,該領域已經(jīng)有很多成熟的學習算法與模型可以解決高噪音、非線性等不利條件下的預測問題,如:隨機森林算法、支持向量機、BP神經(jīng)網(wǎng)絡算法、RBF神經(jīng)網(wǎng)絡算法以及深度神經(jīng)網(wǎng)絡算法等。通過對已有的股票交易價格相關預測模型不足之處的仔細研究,本文針對股票交易價格波動規(guī)律的高噪音、高冗余、動蕩性以及非線性等不利于預測模型建立的因素,提出了一個新的預測模型。具體做法如下:首先將傳統(tǒng)的預測單個交易日股票交易價格漲幅的回歸學習問題轉(zhuǎn)換為預測一段時間區(qū)間內(nèi)是否會出現(xiàn)某個交易日收盤價相對于參考交易日收盤價的漲幅超過用戶預期漲幅值的二類分類學習問題。這樣做可以減少原先回歸學習問題中存在的噪音與冗余,緩解由股票交易價格交易頻繁而導致的動蕩性。然后,為進一步的減少含在作為原始特征的技術指標中的噪音,我們使用基于RBM結構的深度神經(jīng)網(wǎng)絡學習算法對原始特征向量進行特征提取,抽取原先特征中的內(nèi)在信息,提升最終模型的計算精度。隨后,基于核技術的支持向量機算法與BP神經(jīng)網(wǎng)絡算法被用來從兩個不同的角度對股票交易價格波動規(guī)律預測問題進行學習。支持向量機算法對處理二類分類問題有較好的學習能力,隨著核技術的引入,支持向量機具有了非線性學習能力,故被用來預測股票交易價格波動規(guī)律是較為合適的;為了進一步的學習股票交易價格波動規(guī)律中隱含的非線性知識,BP神經(jīng)網(wǎng)絡算法被用來構建預測模型,提升總體預測模型學習非線性關系的能力。最后為了將支持向量機與BP神經(jīng)網(wǎng)絡算法的優(yōu)點相結合,Ada Boost提升算法被用來學習最終的股票交易價格波動規(guī)律預測模型。10重交叉驗證與Leave-one-out交叉驗證的相關實驗證明本文提出的股票交易價格波動規(guī)律預測方法是有效的,精確度相當可觀,投資者可以參考該方法的預測結果進行實際股票漲跌的投資判斷。
【關鍵詞】：股票交易市場 特征提取 支持向量機 神經(jīng)網(wǎng)絡 AdaBoost
【學位授予單位】：吉林大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：F830.91;TP18
【目錄】：

• 摘要4-6
• Abstract6-10
• 第一章 緒論10-18
• 1.1 研究背景10-12
• 1.2 研究現(xiàn)狀12-15
• 1.3 主要研究內(nèi)容15-16
• 1.4 論文結構16-18
• 第二章 股票交易價格預測的關鍵性問題及本文方法18-28
• 2.1 股票交易價格預測面臨的關鍵問題18-20
• 2.2 股票交易價格預測的影響因素20-22
• 2.3 已有的股票交易價格預測分析方法22-24
• 2.4 本文的股票交易價格波動規(guī)律預測方法24-26
• 2.5 預測性能評價指標26-27
• 2.6 總結27-28
• 第三章 基于深度學習的特征提取28-36
• 3.1 深度學習算法28-31
• 3.2 特征表示與特征處理31-33
• 3.3 實驗驗證33-35
• 3.4 總結35-36
• 第四章 基于Ada Boost提升算法的支持向量機算法與BP人工神經(jīng)網(wǎng)絡算法的融合36-57
• 4.1 支持向量機36-43
• 4.1.1 線性可分支持向量機36-40
• 4.1.2 線性支持向量機算法與軟間隔距離最大化40-41
• 4.1.3 非線性支持向量機與核函數(shù)41-43
• 4.2 BP神經(jīng)網(wǎng)絡算法43-49
• 4.2.1 搭建BP人工神經(jīng)網(wǎng)絡算法模型44-46
• 4.2.2 訓練BP人工神經(jīng)網(wǎng)絡算法46-48
• 4.2.3 BP人工神經(jīng)網(wǎng)絡算法中存在的不足48-49
• 4.3 AdaBoost提升算法49-52
• 4.4 實驗驗證52-56
• 4.4.1 10重交叉驗證試驗結果52-55
• 4.4.2 Leave-One-Out交叉驗證試驗結果55-56
• 4.5 總結56-57
• 第五章 總結與展望57-59
• 5.1 本文工作總結57-58
• 5.2 研究展望58-59
• 參考文獻59-63
• 作者簡介及在學期間所取得的科研成果63-64
• 致謝64

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 趙瑾;周栗仙;黃澤林;劉郁文;;我國股票市場與房地產(chǎn)市場的協(xié)整關系研究[J];中國市場;2016年07期

2 黃同愿;陳芳芳;;基于SVM股票價格預測的核函數(shù)應用研究[J];重慶理工大學學報(自然科學);2016年02期

3 巫夢怡;;論熔斷機制在中國股票市場的適用性[J];商;2016年04期

4 張昭旭;;CNN深度學習模型用于表情特征提取方法探究[J];現(xiàn)代計算機(專業(yè)版);2016年03期

5 姜季春;馬丹;;基于AdaBoost改進的多分類器動態(tài)集成算法[J];計算機工程與設計;2015年11期

6 鄭文龍;都金康;;基于BP神經(jīng)網(wǎng)絡的瑪納斯河流域雪蓋率預測[J];南京大學學報(自然科學);2015年05期

7 裴松年;楊秋翔;劉忠寶;;基于信度的BP神經(jīng)網(wǎng)絡[J];微電子學與計算機;2015年09期

8 廖洪一;王欣;;基于極限學習機的股票價格預測[J];計算機與現(xiàn)代化;2014年12期

9 李磊;;基于spss的股票量化投資決策[J];北方經(jīng)貿(mào);2014年10期

10 呂啟;竇勇;牛新;徐佳慶;夏飛;;基于DBN模型的遙感圖像分類[J];計算機研究與發(fā)展;2014年09期

，

本文編號：1050707