股市是國(guó)家經(jīng)濟(jì)的晴雨表,可以在一定程度上反映經(jīng)濟(jì)的穩(wěn)定性和健康程度,在國(guó)家經(jīng)濟(jì)體系中具有重要地位。如何能較為準(zhǔn)確地預(yù)測(cè)股票價(jià)格及走勢(shì)是當(dāng)今產(chǎn)業(yè)界和學(xué)術(shù)界面臨的一項(xiàng)重要難題。以深度學(xué)習(xí)為代表的人工智能技術(shù)目前正在被廣泛應(yīng)用于各個(gè)領(lǐng)域,其中在金融領(lǐng)域有著廣闊的應(yīng)用前景。深度學(xué)習(xí)具有從海量數(shù)據(jù)中學(xué)習(xí)數(shù)據(jù)規(guī)律的能力,本文借鑒了股票技術(shù)分析中使用指標(biāo)預(yù)測(cè)價(jià)格的思想,設(shè)計(jì)了一套基于深度神經(jīng)網(wǎng)絡(luò)的股票預(yù)測(cè)模型,模型由兩部分組成:特征提取部分和股票預(yù)測(cè)部分,特征提取模型基于深度自編碼器構(gòu)建,用于從股票的指標(biāo)數(shù)據(jù)中提取特征來(lái)表示股票當(dāng)前的狀態(tài),預(yù)測(cè)模型基于長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)構(gòu)建,可以根據(jù)歷史狀態(tài)預(yù)測(cè)當(dāng)前價(jià)格。最后使用了dropout和L2正則化方法優(yōu)化模型,減小模型過(guò)擬合的風(fēng)險(xiǎn)。本文使用釀酒板塊的數(shù)據(jù)構(gòu)建數(shù)據(jù)集,并設(shè)計(jì)了多組實(shí)驗(yàn)驗(yàn)證模型效果。首先構(gòu)建了不同深度的自編碼器,以預(yù)測(cè)精度和重構(gòu)誤差為標(biāo)準(zhǔn)比較其編碼效果;其次比較了本模型與其他特征提取方法的提取效果,以主成分分析法(PCA)和因子分析法(FA)作為比較對(duì)象,深入分析了不同方法的差異;最后比較了本模型與其他預(yù)測(cè)模型的預(yù)測(cè)效果和運(yùn)行時(shí)間。實(shí)驗(yàn)表明,本... 

【文章來(lái)源】：貴州大學(xué)貴州省 211工程院校

【文章頁(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

不同深度編碼器編碼預(yù)測(cè)誤差結(jié)果

41（c）自編碼器提取的特征編碼圖 4-3 股票數(shù)據(jù)降維后的編碼序列直觀(guān)分析圖 4-3 中的特征序列可以得到一些初步結(jié)論，使用 PCA 提取出的序列并沒(méi)有表現(xiàn)出明顯的股價(jià)走勢(shì)特征，特征較為雜亂，使用 FA 提取出的

貴州大學(xué)碩士研究生學(xué)位論文看出大致的趨勢(shì)特征，使用自編碼器提取出的編碼序列已可以推測(cè)使用自編碼器提取的特征預(yù)測(cè)股票效果最好。以上推測(cè)，本文使用上述三種方法提取出的特征序列組票預(yù)測(cè)模型，并從中拿出了少量數(shù)據(jù)組成測(cè)試集，測(cè)試三測(cè)結(jié)果如圖 4-4 所示：

【參考文獻(xiàn)】：
期刊論文
[1]基于PCA-FOA-SVR的股票價(jià)格預(yù)測(cè)研究[J]. 王衛(wèi)紅,卓鵬宇.  浙江工業(yè)大學(xué)學(xué)報(bào). 2016(04)
[2]基于馬爾科夫狀態(tài)轉(zhuǎn)換和跳躍的高頻波動(dòng)率模型預(yù)測(cè)[J]. 馬鋒,魏宇,黃登仕,夏澤安.  系統(tǒng)工程. 2016(01)



本文編號(hào)：2942035