股票是金融市場(chǎng)最重要的組成部分,是一個(gè)受多種因素影響的復(fù)雜非線性動(dòng)態(tài)系統(tǒng),成為學(xué)者們長(zhǎng)時(shí)間持續(xù)研究的課題,精確穩(wěn)定的股票預(yù)測(cè)模型對(duì)于投資者規(guī)避風(fēng)險(xiǎn)、制定可盈利的投資策略至關(guān)重要,所以股票預(yù)測(cè)模型具有重要的研究意義。當(dāng)前快速發(fā)展的計(jì)算機(jī)技術(shù)和大數(shù)據(jù)時(shí)代的到來,使神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)、深度學(xué)習(xí)技術(shù)得到了很大的發(fā)展,由于其具有較強(qiáng)的非線性逼近能力和自學(xué)能力,被廣泛應(yīng)用于時(shí)間序列預(yù)測(cè)中,促使股票研究進(jìn)入了新的階段。其中,循環(huán)神經(jīng)網(wǎng)絡(luò)在處理序列化數(shù)據(jù)方面有突出的表現(xiàn),具有記憶功能,能夠保存歷史信息,并且能夠隨著新數(shù)據(jù)的輸入不斷更新,能夠有效解決時(shí)間序列的長(zhǎng)短期依賴問題。文章采用循環(huán)神經(jīng)網(wǎng)絡(luò)中的序列到序列（Seq2Seq）學(xué)習(xí)模型,對(duì)股票的收盤價(jià)格進(jìn)行短期價(jià)格預(yù)測(cè),并且與多種金融時(shí)間序列預(yù)測(cè)模型進(jìn)行比較分析,探討Seq2Seq模型在股票短期趨勢(shì)預(yù)測(cè)方面的適用性與預(yù)測(cè)效果。文章選取的研究數(shù)據(jù)為中國(guó)股票市場(chǎng)中極具代表性的2只股票指數(shù),即上證綜合指數(shù)和深證綜合指數(shù),驗(yàn)證Seq2Seq模型股票預(yù)測(cè)方面的普適性,其次選取在2018年里6只國(guó)內(nèi)市值較大、成交量排名靠前的活躍個(gè)股,驗(yàn)證其預(yù)測(cè)效果。選取的每日數(shù)據(jù)變量... 

【文章來源】：上海師范大學(xué)上海市

【文章頁(yè)數(shù)】：62 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

RNN神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

上海師范大學(xué)碩士學(xué)位論文第2章相關(guān)概念與理論基礎(chǔ)112.4.1循環(huán)神經(jīng)網(wǎng)絡(luò)模型（RNN）[22]循環(huán)神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetwork,RNN）是一類以序列數(shù)據(jù)為輸入，在序列的演進(jìn)方向遞歸且所有節(jié)點(diǎn)（循環(huán)單元）按照鏈?zhǔn)芥溄拥倪f歸神經(jīng)網(wǎng)絡(luò)。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)只是在層與層之間建立了權(quán)連接，而與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)相比，RNN是一種特殊的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，它是根據(jù)“人的認(rèn)知是基于過往的經(jīng)驗(yàn)和記憶”這一觀點(diǎn)提出的，它不僅考慮前一刻的輸入，而且創(chuàng)造了神經(jīng)網(wǎng)絡(luò)對(duì)前面所有內(nèi)容的一種“記憶”功能。RNN神經(jīng)網(wǎng)絡(luò)模型的主要結(jié)構(gòu)如下圖2-1所示：圖2-1RNN神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖2-1所示，在隱藏層中，有一個(gè)箭頭表示數(shù)據(jù)的循環(huán)更新，隱藏層的反饋不僅流入輸出端，還流入下一個(gè)時(shí)間步的隱藏層，進(jìn)而對(duì)下一個(gè)時(shí)間步的各個(gè)權(quán)重值產(chǎn)生影響，這個(gè)就是實(shí)現(xiàn)時(shí)間記憶功能的方法。多個(gè)時(shí)間步該神經(jīng)網(wǎng)絡(luò)的逐層展開圖如下圖2-2所示：圖2-2RNN神經(jīng)網(wǎng)絡(luò)模型多個(gè)時(shí)間步展開圖如圖2-2所示，t1,t,t1表示時(shí)間序列，x表示輸入的樣本，tS表示樣本在時(shí)間t處的記憶單元。對(duì)于t時(shí)刻，當(dāng)輸入樣本時(shí)：

上海師范大學(xué)碩士學(xué)位論文第2章相關(guān)概念與理論基礎(chǔ)13長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（LongShortTermMemory，LSTM）是RNN的一個(gè)改進(jìn)與發(fā)展，其每一層都設(shè)計(jì)有多個(gè)“GATE”結(jié)構(gòu)的神經(jīng)元，這些模塊可以記憶隱藏層的任意時(shí)間狀態(tài)，無論梯度的傳播途徑有多長(zhǎng)，它都不會(huì)完全消失或者下降為零。模型的具體結(jié)構(gòu)如下圖2-3所示：圖2-3LSTM神經(jīng)網(wǎng)絡(luò)模型具體結(jié)構(gòu)如上圖2-3所示，LSTM模型在各個(gè)神經(jīng)單元的內(nèi)部增加了三個(gè)控制門，一個(gè)輸入門決定何時(shí)允許激活狀態(tài)傳遞給記憶單元，一個(gè)輸出門決定激活狀態(tài)離開記憶單元，還有一個(gè)是忘記門決定上一個(gè)神經(jīng)元的狀態(tài)是被全部或部分記憶或者完全將其遺忘清楚。當(dāng)梯度下降時(shí)，這些門可以用于選擇性記憶反饋的誤差函數(shù)修正參數(shù)。上圖每個(gè)黑色節(jié)點(diǎn)連通一個(gè)激活函數(shù)，用于存儲(chǔ)的記憶單元的內(nèi)部狀態(tài)如最中間的節(jié)點(diǎn)所示，它以數(shù)量1作為權(quán)重來跨越時(shí)間步，再反饋給它自己。LSTM網(wǎng)絡(luò)通過遞歸方程更新記憶單元，激活從輸入x到輸出y的映射：11()titititiiWxUhVcb11()tftftftffWxUhVcb

【參考文獻(xiàn)】：
期刊論文
[1]基于Markowitz理論的股票組合投資模型[J]. 李方圓.  現(xiàn)代商業(yè). 2019(26)
[2]基于股票預(yù)測(cè)的Seq2Seq RNN和LSTM模型比較[J]. 王鈞,張鵬,袁帥.  時(shí)代金融. 2018(35)
[3]基于主成分分析與廣義回歸神經(jīng)網(wǎng)絡(luò)的股票價(jià)格預(yù)測(cè)[J]. 于卓熙,秦璐,趙志文,溫馨.  統(tǒng)計(jì)與決策. 2018(18)
[4]基于EEMD-LSTM-Adaboost的商品價(jià)格預(yù)測(cè)[J]. 邸浩,趙學(xué)軍,張自力.  統(tǒng)計(jì)與決策. 2018(13)
[5]基于深度學(xué)習(xí)算法的歐式股指期權(quán)定價(jià)研究——來自50ETF期權(quán)市場(chǎng)的證據(jù)[J]. 謝合亮,游濤.  統(tǒng)計(jì)與信息論壇. 2018(06)
[6]互聯(lián)網(wǎng)時(shí)代下的大數(shù)據(jù)的統(tǒng)籌[J]. 楊柳.  中國(guó)戰(zhàn)略新興產(chǎn)業(yè). 2018(20)
[7]基于改進(jìn)Sequence-to-Sequence模型的文本摘要生成方法[J]. 周健,田萱,崔曉暉.  計(jì)算機(jī)工程與應(yīng)用. 2019(01)
[8]一種改進(jìn)的Attention-Based LSTM特征選擇模型[J]. 朱星嘉,李紅蓮,呂學(xué)強(qiáng),周建設(shè),夏紅科.  北京信息科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(02)
[9]基于LSTM神經(jīng)網(wǎng)絡(luò)的黑色金屬期貨套利策略模型[J]. 龍奧明,畢秀春,張曙光.  中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào). 2018(02)
[10]深度學(xué)習(xí)的金融實(shí)證應(yīng)用:動(dòng)態(tài)、貢獻(xiàn)與展望[J]. 蘇治,盧曼,李德軒.  金融研究. 2017(05)

碩士論文
[1]神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)在量化投資中的應(yīng)用[D]. 白凱敏.山東大學(xué) 2016
[2]基于神經(jīng)網(wǎng)絡(luò)的上證指數(shù)預(yù)測(cè)研究[D]. 李志杰.華南理工大學(xué) 2015
[3]基于時(shí)間序列分析的股票價(jià)格趨勢(shì)預(yù)測(cè)研究[D]. 宮聰聰.山東大學(xué) 2012
[4]基于ARIMA模型對(duì)滬深300指數(shù)的預(yù)測(cè)分析[D]. 白營(yíng)閃.華南理工大學(xué) 2010
[5]基于神經(jīng)網(wǎng)絡(luò)的技術(shù)分析有效性研究[D]. 唐雨虹.電子科技大學(xué) 2005



本文編號(hào)：3293351