證券數(shù)據(jù)是一種時間序列,具有高度的復雜性和不確定性,通常只有極少數(shù)交易者能掌握證券數(shù)據(jù)趨勢特征。機器學習通過對證券歷史數(shù)據(jù)的學習和自動優(yōu)化算法,可模擬或?qū)崿F(xiàn)人類的思維模式獲取數(shù)據(jù)信息或特征,因此是對證券數(shù)據(jù)趨勢特征分析的有效技術(shù)。本文采用卷積神經(jīng)網(wǎng)絡和長短期記憶網(wǎng)絡這兩種機器學習模型,以及分類和回歸兩種分析方法來提取證券歷史數(shù)據(jù)中的趨勢特征,包括:趨勢分類、趨勢強度和趨勢續(xù)航力。主要研究內(nèi)容有:(1)獲取并預處理證券歷史數(shù)據(jù)。本文采用的證券歷史數(shù)據(jù)包含日線證券歷史交易數(shù)據(jù)和日線大盤指數(shù)數(shù)據(jù),其都是從新浪財經(jīng)網(wǎng)站爬取而來,然后將日線數(shù)據(jù)進行預處理,包括了數(shù)據(jù)補齊,日線數(shù)據(jù)合并為周線數(shù)據(jù)、每日周線數(shù)據(jù)等。最后計算證券數(shù)據(jù)的技術(shù)指標,包含了均線、平滑異同平均線等。(2)標記歷史數(shù)據(jù)標簽。本文采用監(jiān)督學習,需要在訓練過程中輸入期望的結(jié)果值。本文根據(jù)平滑異同平均線技術(shù)指標,標記了每日周線數(shù)據(jù)的三種趨勢特征,作為訓練中期望得到的結(jié)果值。(3)進行機器學習模型訓練。本文分別采用卷積神經(jīng)網(wǎng)絡和長短期記憶網(wǎng)絡為基礎(chǔ),構(gòu)建了兩種機器學習模型。這兩種模型均用sigmoid函數(shù)或者softmax函數(shù)分類得出趨...

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【部分圖文】：

圖1-1sigmoid函數(shù)圖

學習算法進行分類。首先從學習過程中的數(shù)據(jù)特點可以學習和非監(jiān)督學習三個方向。從解決的問題來說，主要有這兩個問題基本上概括了機器學習研究的所有問題。不同的實際問題有著不同的解決算法與模型架構(gòu)，從最開如今的深度學習，有許多具有針對性的算法與特殊化的模中主要的算法與模型結(jié)構(gòu)。歸歸解決回歸....

圖1-2神經(jīng)元示意圖

圖1-2神經(jīng)元示意圖間的圓圈代表一個神經(jīng)元，每個神經(jīng)元有多個輸理過程是一個激活或者計算的過程，一般稱為就決定了這個神經(jīng)元的功能，除此之外，激活函程，所以激活函數(shù)是一個非常重要的概念，現(xiàn)在id，rule等函數(shù)。由多個神經(jīng)元組成的層結(jié)構(gòu)，再由多個層結(jié)構(gòu)組

圖1-3一般的神經(jīng)網(wǎng)絡結(jié)構(gòu)

第4頁共60頁圖1-3一般的神經(jīng)網(wǎng)絡結(jié)構(gòu)層，最后一層叫做輸出層，中間的叫做。神經(jīng)網(wǎng)絡的特點就在于每一層都可以的特征。supportvectormachines,SVM)是第二次人使用這個算法。這個算法主要用于二機在加入‘核’這一概念后，不僅適用還發(fā)展有支持向量....

圖2-1證券數(shù)據(jù)預處理過程

是否大盤指數(shù)，默認false；low最數(shù)據(jù)類型，默認為日線數(shù)據(jù)。Volume:成code股票下載h_data接口用來爬取所有個股證券的日線數(shù)據(jù)。爬取到的所有一張二維表中，行表示每日具體交易的信息，列表示該列數(shù)據(jù)列名稱，表示數(shù)據(jù)的具體含義，如開盤價，交易時間等。下載....

本文編號：3897494