發(fā)布時(shí)間：2023-04-03 23:36

　　股票市場是一個(gè)動態(tài)的復(fù)雜的非線性系統(tǒng),隨著量化投資的發(fā)展,越來越多的智能技術(shù)被運(yùn)用到股市預(yù)測上,探索的方法多樣,其中分形理論、群智能算法、機(jī)器學(xué)習(xí)等都被運(yùn)用到股票市場的研究中,并取得了一定的成果。但是預(yù)測系統(tǒng)涉及屬性的選擇、模型的構(gòu)建等方面,如何利用預(yù)測系統(tǒng)提高對股市的預(yù)測的準(zhǔn)確率依然是研究的熱點(diǎn)問題。本文在總結(jié)以往研究的基礎(chǔ)上,從屬性選擇和模型構(gòu)建兩方面出發(fā)提出了將分形屬性選擇算法和機(jī)器學(xué)習(xí)預(yù)測模型相結(jié)合的預(yù)測系統(tǒng),并取得一定預(yù)測效果。本文首先論述了分形理論、群智能算法、極限學(xué)習(xí)機(jī)和深度學(xué)習(xí)的相關(guān)概念和理論知識,指出了分形維數(shù)的計(jì)算思想、果蠅算法的計(jì)算過程以及極限學(xué)習(xí)機(jī)和長短時(shí)記憶網(wǎng)絡(luò)的結(jié)構(gòu)原理。然后根據(jù)盒計(jì)數(shù)的思想在分形變換法的基礎(chǔ)上將漲跌趨勢考慮到分形維數(shù)的計(jì)算中,提出了K型分形維數(shù)的計(jì)算方法,并將其和改進(jìn)的果蠅算法進(jìn)行結(jié)合對屬性進(jìn)行選擇,并在靜態(tài)數(shù)據(jù)集上證綜合指數(shù)上進(jìn)行屬性選擇的驗(yàn)證分析,證明了本文提出的屬性選擇算法的有效性。隨后提出了兩種預(yù)測模型,一種是利用遺傳算法和粒子群算法改進(jìn)的極限學(xué)習(xí)機(jī)預(yù)測模型,并利用預(yù)測模型在靜態(tài)數(shù)據(jù)集上進(jìn)行了驗(yàn)證分析;另一種是分析了長短時(shí)記憶網(wǎng)絡(luò)的...

【文章頁數(shù)】：79 頁

【學(xué)位級別】：碩士

【文章目錄】：
致謝
摘要
abstract
1.緒論
    1.1 研究背景及意義
    1.2 相關(guān)研究
        1.2.1 分形技術(shù)研究現(xiàn)狀
        1.2.2 機(jī)器學(xué)習(xí)研究現(xiàn)狀
    1.3 研究內(nèi)容與結(jié)構(gòu)安排
        1.3.1 研究內(nèi)容
        1.3.2 結(jié)構(gòu)安排
        1.3.3 技術(shù)路線
        1.3.4 創(chuàng)新點(diǎn)
2.理論基礎(chǔ)
    2.1 分形理論
        2.1.1 分形市場理論
        2.1.2 分形維數(shù)
    2.2 群智能算法
        2.2.1 群智能算法
        2.2.2 果蠅算法
    2.3 極限學(xué)習(xí)機(jī)
        2.3.1 神經(jīng)網(wǎng)絡(luò)
        2.3.2 極限學(xué)習(xí)機(jī)
    2.4 長短時(shí)記憶網(wǎng)絡(luò)
        2.4.1 深度學(xué)習(xí)
        2.4.2 循環(huán)神經(jīng)網(wǎng)絡(luò)
        2.4.3 長短時(shí)記憶網(wǎng)絡(luò)
    2.5 本章小結(jié)
3.改進(jìn)的分形屬性選擇算法
    3.1 K型分形維數(shù)
        3.1.1 K型分形維數(shù)
        3.1.2 K型多重分形維數(shù)
    3.2 基于K型多重分形維數(shù)與果蠅算法的屬性選擇
        3.2.1 屬性選擇
        3.2.2 分形屬性選擇
        3.2.3 基于分形維數(shù)和果蠅算法的屬性選擇
    3.3 本章小結(jié)
4.兩種預(yù)測模型設(shè)計(jì)
    4.1 基于屬性選擇和GA-PSO-ELM的預(yù)測模型
        4.1.1 GA-PSO-ELM預(yù)測模型
        4.1.2 GA-PSO-ELM預(yù)測模型驗(yàn)證
    4.2 基于屬性選擇和FOA-LSTM的預(yù)測模型
        4.2.1 LSTM預(yù)測模型
        4.2.2 FOA改進(jìn)雙輸入LSTM預(yù)測模型
        4.2.3 基于分形理論和FOA改進(jìn)的雙輸入LSTM的預(yù)測系統(tǒng)
    4.3 本章小結(jié)
5.實(shí)證分析
    5.1 數(shù)據(jù)獲取與預(yù)處理
        5.1.1 輸入數(shù)據(jù)
        5.1.2 輸出數(shù)據(jù)
    5.2 上證綜合指數(shù)的實(shí)證分析
        5.2.1 屬性選擇
        5.2.2 GA-PSO-ELM模型預(yù)測結(jié)果分析
        5.2.3 FOA改進(jìn)雙輸入LSTM模型預(yù)測結(jié)果分析
    5.3 本章小結(jié)
6.總結(jié)與展望
    6.1 本文主要工作與結(jié)論
    6.2 研究的局限性與展望
參考文獻(xiàn)
作者簡介
學(xué)位論文數(shù)據(jù)集



本文編號：3781363