準(zhǔn)確地預(yù)測(cè)股票價(jià)格對(duì)降低投資者的風(fēng)險(xiǎn)有著十分重要的意義。投資者可以通過(guò)對(duì)股價(jià)的合理預(yù)測(cè)來(lái)確定自身的投資組合,從而規(guī)避風(fēng)險(xiǎn),獲取更大的收益。雖然深度學(xué)習(xí)已經(jīng)在股票價(jià)格預(yù)測(cè)上擁有很多的研究成果與實(shí)際應(yīng)用,但是,仍然存在著泛化能力較弱,訓(xùn)練容易導(dǎo)致過(guò)擬合等基本問(wèn)題,模型在預(yù)測(cè)階段的表現(xiàn)較差。通常,數(shù)據(jù)增強(qiáng)以及合理調(diào)整模型架構(gòu)能夠有效地避免這類情況發(fā)生。本文主要針對(duì)長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）在股票價(jià)格預(yù)測(cè)時(shí)泛化能力不強(qiáng),訓(xùn)練容易導(dǎo)致過(guò)擬合的問(wèn)題,提出了三種不同的解決方案。其中,前兩個(gè)方案主要是基于數(shù)據(jù)增強(qiáng)的方式,對(duì)數(shù)據(jù)集進(jìn)行合理擴(kuò)充,并結(jié)合不同的功能模塊對(duì)數(shù)據(jù)進(jìn)行預(yù)處理來(lái)提高模型的泛化能力。第三個(gè)方案提出了一種全新的架構(gòu),該架構(gòu)能有效防止過(guò)擬合問(wèn)題,具有較強(qiáng)的泛化能力。本文的主要?jiǎng)?chuàng)新點(diǎn)如下:（1）提出了一個(gè)基于生成對(duì)抗網(wǎng)絡(luò)（GAN）的數(shù)據(jù)增強(qiáng)模型c WDCGAN-LSTM。該方案創(chuàng)新地將GAN用到了股價(jià)數(shù)據(jù)的增強(qiáng)上,其核心在于利用GAN生成與真實(shí)股價(jià)數(shù)據(jù)分布相同并且相關(guān)性較高的數(shù)據(jù)。通過(guò)這種數(shù)據(jù)增強(qiáng)的方式,能夠在一定程度上提升LSTM的預(yù)測(cè)性能。（2）提出了一個(gè)基于跨市場(chǎng)數(shù)據(jù)的數(shù)據(jù)增強(qiáng)模型MM... 

【文章來(lái)源】：深圳大學(xué)廣東省

【文章頁(yè)數(shù)】：72 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

LSTMsigmoidt-1xt-xt輸入門

LSTM塊的結(jié)構(gòu)

生成對(duì)抗網(wǎng)絡(luò)()

【參考文獻(xiàn)】：
期刊論文
[1]量化投資的特點(diǎn)、策略和發(fā)展研究[J]. 陳健,宋文達(dá).  時(shí)代金融. 2016(29)



本文編號(hào)：3622482