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

【文章頁數(shù)】：79 頁

【學位級別】：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 相關研究
        1.2.1 分形技術研究現(xiàn)狀
        1.2.2 機器學習研究現(xiàn)狀
    1.3 研究內(nèi)容與結構安排
        1.3.1 研究內(nèi)容
        1.3.2 結構安排
        1.3.3 技術路線
        1.3.4 創(chuàng)新點
2.理論基礎
    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 極限學習機
        2.3.1 神經(jīng)網(wǎng)絡
        2.3.2 極限學習機
    2.4 長短時記憶網(wǎng)絡
        2.4.1 深度學習
        2.4.2 循環(huán)神經(jīng)網(wǎng)絡
        2.4.3 長短時記憶網(wǎng)絡
    2.5 本章小結
3.改進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
4.兩種預測模型設計
    4.1 基于屬性選擇和GA-PSO-ELM的預測模型
        4.1.1 GA-PSO-ELM預測模型
        4.1.2 GA-PSO-ELM預測模型驗證
    4.2 基于屬性選擇和FOA-LSTM的預測模型
        4.2.1 LSTM預測模型
        4.2.2 FOA改進雙輸入LSTM預測模型
        4.2.3 基于分形理論和FOA改進的雙輸入LSTM的預測系統(tǒng)
    4.3 本章小結
5.實證分析
    5.1 數(shù)據(jù)獲取與預處理
        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)的實證分析
        5.2.1 屬性選擇
        5.2.2 GA-PSO-ELM模型預測結果分析
        5.2.3 FOA改進雙輸入LSTM模型預測結果分析
    5.3 本章小結
6.總結與展望
    6.1 本文主要工作與結論
    6.2 研究的局限性與展望
參考文獻
作者簡介
學位論文數(shù)據(jù)集



本文編號：3781363