本文關(guān)鍵詞：基于人工智能算法的股票價格波動規(guī)律預(yù)測方法研究

  更多相關(guān)文章： 股票交易市場 特征提取 支持向量機(jī) 神經(jīng)網(wǎng)絡(luò) 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(fēng)險率,不斷有人使用不同方式方法研究股票市場運(yùn)行規(guī)律來預(yù)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(jì)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(zhǔn)確預(yù)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(fù)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(yù)測的過程的復(fù)雜與困難程度,已經(jīng)存在的預(yù)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(yù)測模型。人工智能領(lǐng)域發(fā)展至今,該領(lǐng)域已經(jīng)有很多成熟的學(xué)習(xí)算法與模型可以解決高噪音、非線性等不利條件下的預(yù)測問題,如:隨機(jī)森林算法、支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)算法、RBF神經(jīng)網(wǎng)絡(luò)算法以及深度神經(jīng)網(wǎng)絡(luò)算法等。通過對已有的股票交易價格相關(guān)預(yù)測模型不足之處的仔細(xì)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(yù)測模型建立的因素,提出了一個新的預(yù)測模型。具體做法如下:首先將傳統(tǒng)的預(yù)測單個交易日股票交易價格漲幅的回歸學(xué)習(xí)問題轉(zhuǎn)換為預(yù)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(yù)期漲幅值的二類分類學(xué)習(xí)問題。這樣做可以減少原先回歸學(xué)習(xí)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(dǎo)致的動蕩性。然后,為進(jìn)一步的減少含在作為原始特征的技術(shù)指標(biāo)中的噪音,我們使用基于RBM結(jié)構(gòu)的深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法對原始特征向量進(jìn)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(shù)的支持向量機(jī)算法與BP神經(jīng)網(wǎng)絡(luò)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(yù)測問題進(jìn)行學(xué)習(xí)。支持向量機(jī)算法對處理二類分類問題有較好的學(xué)習(xí)能力,隨著核技術(shù)的引入,支持向量機(jī)具有了非線性學(xué)習(xí)能力,故被用來預(yù)測股票交易價格波動規(guī)律是較為合適的;為了進(jìn)一步的學(xué)習(xí)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(luò)算法被用來構(gòu)建預(yù)測模型,提升總體預(yù)測模型學(xué)習(xí)非線性關(guān)系的能力。最后為了將支持向量機(jī)與BP神經(jīng)網(wǎng)絡(luò)算法的優(yōu)點(diǎn)相結(jié)合,Ada Boost提升算法被用來學(xué)習(xí)最終的股票交易價格波動規(guī)律預(yù)測模型。10重交叉驗證與Leave-one-out交叉驗證的相關(guān)實驗證明本文提出的股票交易價格波動規(guī)律預(yù)測方法是有效的,精確度相當(dāng)可觀,投資者可以參考該方法的預(yù)測結(jié)果進(jìn)行實際股票漲跌的投資判斷。
【關(guān)鍵詞】：股票交易市場 特征提取 支持向量機(jī) 神經(jīng)網(wǎng)絡(luò) AdaBoost
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級別】：碩士
【學(xué)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(jié)構(gòu)16-18
• 第二章 股票交易價格預(yù)測的關(guān)鍵性問題及本文方法18-28
• 2.1 股票交易價格預(yù)測面臨的關(guān)鍵問題18-20
• 2.2 股票交易價格預(yù)測的影響因素20-22
• 2.3 已有的股票交易價格預(yù)測分析方法22-24
• 2.4 本文的股票交易價格波動規(guī)律預(yù)測方法24-26
• 2.5 預(yù)測性能評價指標(biāo)26-27
• 2.6 總結(jié)27-28
• 第三章 基于深度學(xué)習(xí)的特征提取28-36
• 3.1 深度學(xué)習(xí)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(jié)35-36
• 第四章 基于Ada Boost提升算法的支持向量機(jī)算法與BP人工神經(jīng)網(wǎng)絡(luò)算法的融合36-57
• 4.1 支持向量機(jī)36-43
• 4.1.1 線性可分支持向量機(jī)36-40
• 4.1.2 線性支持向量機(jī)算法與軟間隔距離最大化40-41
• 4.1.3 非線性支持向量機(jī)與核函數(shù)41-43
• 4.2 BP神經(jīng)網(wǎng)絡(luò)算法43-49
• 4.2.1 搭建BP人工神經(jīng)網(wǎng)絡(luò)算法模型44-46
• 4.2.2 訓(xùn)練BP人工神經(jīng)網(wǎng)絡(luò)算法46-48
• 4.2.3 BP人工神經(jīng)網(wǎng)絡(luò)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(jié)果52-55
• 4.4.2 Leave-One-Out交叉驗證試驗結(jié)果55-56
• 4.5 總結(jié)56-57
• 第五章 總結(jié)與展望57-59
• 5.1 本文工作總結(jié)57-58
• 5.2 研究展望58-59
• 參考文獻(xiàn)59-63
• 作者簡介及在學(xué)期間所取得的科研成果63-64
• 致謝64

【參考文獻(xiàn)】

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(guān)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(yù)測的核函數(shù)應(yīng)用研究[J];重慶理工大學(xué)學(xué)報(自然科學(xué));2016年02期

3 巫夢怡;;論熔斷機(jī)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(xué)習(xí)模型用于表情特征提取方法探究[J];現(xiàn)代計算機(jī)(專業(yè)版);2016年03期

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

6 鄭文龍;都金康;;基于BP神經(jīng)網(wǎng)絡(luò)的瑪納斯河流域雪蓋率預(yù)測[J];南京大學(xué)學(xué)報(自然科學(xué));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(luò)[J];微電子學(xué)與計算機(jī);2015年09期

8 廖洪一;王欣;;基于極限學(xué)習(xí)機(jī)的股票價格預(yù)測[J];計算機(jī)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(jī)研究與發(fā)展;2014年09期

，

本文編號：1050707