發(fā)布時(shí)間：2021-07-31 12:44

　　2019年A股發(fā)生了許多大事,科創(chuàng)板開板、滬倫通開通、還有重組新規(guī)的落地等,我國(guó)股票市場(chǎng)正走在變革的道路上并且日漸完善。隨著科技的進(jìn)步,大量的金融數(shù)據(jù)得以保留,為股票市場(chǎng)的分析提供了堅(jiān)實(shí)的數(shù)據(jù)基礎(chǔ)。伴隨深度學(xué)習(xí)研究的不斷深入,人們正在不斷的探索其在股票市場(chǎng)的上的應(yīng)用。循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）是一種引入時(shí)序概念的神經(jīng)網(wǎng)絡(luò),它的提出為分析時(shí)間序列數(shù)據(jù)提供了新的方法。長(zhǎng)短時(shí)神經(jīng)網(wǎng)絡(luò)（LSTM）是一種優(yōu)化了的循環(huán)神經(jīng)網(wǎng)絡(luò),因其引入了門控的概念,克服了 RNN容易出現(xiàn)梯度消失和爆炸的問題;同時(shí),LSTM神經(jīng)元內(nèi)部的多種門控各司其職,形成了對(duì)記憶數(shù)據(jù)的獨(dú)立存儲(chǔ),進(jìn)而可以解決數(shù)據(jù)的長(zhǎng)序依賴問題。與傳統(tǒng)的時(shí)間序列模型相比,LSTM得益于內(nèi)部非線性激活函數(shù)的構(gòu)建,在非線性相關(guān)數(shù)據(jù)的分析上具有一定的優(yōu)勢(shì)。本文嘗試通過LSTM在股價(jià)預(yù)測(cè)和股價(jià)漲跌預(yù)測(cè)兩個(gè)方面的實(shí)證分析,來(lái)驗(yàn)證LSTM對(duì)股票數(shù)據(jù)分析的適用性。同時(shí)本文對(duì)LSTM進(jìn)行股票數(shù)據(jù)建模時(shí)容易出現(xiàn)的問題進(jìn)行了總結(jié),并對(duì)如何解決這些問題提出了自己的見解。希望從實(shí)證的角度為構(gòu)建LSTM股票預(yù)測(cè)模型,提供一些具有參考價(jià)值的信息。本文選取了滬深300指數(shù)近5年的日... 

【文章來(lái)源】：山東大學(xué)山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：57 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－２循環(huán)神經(jīng)網(wǎng)絡(luò)的前向傳播結(jié)構(gòu)圖??９??

山東大學(xué)碩士學(xué)位論文??當(dāng)把圖２－２展開就可以得到更加具體的循環(huán)神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)前向傳播圖，如??圖２－３所示，首先需要通過輸入層向隱藏層輸入序列數(shù)據(jù)〇＜：１＞，??隱藏層的第一個(gè)神經(jīng)元會(huì)收到兩種數(shù)據(jù)，一個(gè)是人為設(shè)置的初始化數(shù)據(jù)ａ＜（）＞，另一??個(gè)是序列數(shù)據(jù)的第一個(gè)數(shù)據(jù)；ｃ＜：ｌ＞，數(shù)據(jù)在第一神經(jīng)元內(nèi)部通過如公式（２．２）所示??運(yùn)算后會(huì)生成數(shù)據(jù)＾＾＾＾會(huì)被傳入到下一網(wǎng)絡(luò)層的第一個(gè)神經(jīng)元和同一網(wǎng)絡(luò)??層的第二個(gè)神經(jīng)元，第二個(gè)神經(jīng)元會(huì)對(duì)１＜２＞和￡１＜１＞同時(shí)進(jìn)行運(yùn)算生成數(shù)據(jù)ａ＜２＞，??同樣ａ＜２＞也會(huì)被傳給下一個(gè)神經(jīng)元和下一個(gè)網(wǎng)絡(luò)層對(duì)應(yīng)的神經(jīng)元，如此傳遞直至??最后結(jié)果的輸出。在圖２－３中；表示樣本的第ｔ個(gè)輸入，是隱藏層的第ｔ個(gè)??神經(jīng)元，０＜＆為輸出層的對(duì)第ｔ個(gè)神經(jīng)元，而則對(duì)應(yīng)于輸出層的第ｔ個(gè)的輸出。??Ｌ＜１＞?ｌ＜２＞?ｌ＜３＞?Ｌ＜ｔ＞??Ａ?Ａ?Ａ?ｈ??夕＜１＞?夕＜２＞?夕＜３＞?夕＜ｔ＞??午?個(gè)?ｔ?個(gè)??〇＜ｌ＞?〇＜２＞?ｊ?〇＜３＞?Ｑ＜ｔ＞??ｔａ＜ｉ＞?ｔ?ａ＜２＞??ａ＜０＞——ａ＜１？?ａ?？?ｆｌ＜３＞＾?？?？?？?ａ???Ｘ＜１＞?ｘ＜２＞?ｘ＜３＞?ｘ＜ｔ＞??圖２－３循環(huán)神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)傳播圖??前向傳播包括數(shù)據(jù)的前向傳導(dǎo)和損失函數(shù)的計(jì)算，根據(jù)圖２－３，我們可以用公??式（２．２）至（２．６）來(lái)表達(dá)循環(huán)網(wǎng)絡(luò)的前向傳播。??ａ＜：ｔ＞?＝?ｆ（Ｗａａ＜０＞?＋?Ｗｘｘ＜ｘ＞?＋?ｂａ），?（２．２）??ｙ＜ｉ＞?＝?ｇ｛Ｗｙａ＜１＞?＋?ｂｙ），?（２．３）??ａ＜ｔ：＞?＝?ｆ＾Ｗａａ＾－＾?＋?Ｗｘｘ＜ｔ：＞?＋?ｂａ），?（２．４）

山東大學(xué)碩士學(xué)位論文??以通過門控。特殊的，如果門輸出值為０時(shí)，則表示沒有數(shù)據(jù)信息通過門控，如果??門輸出值為１，則表示所有數(shù)據(jù)信息都得以保留。??圖２－５是ＬＳＴＭ的神經(jīng)元結(jié)構(gòu)和數(shù)據(jù)信息流向圖，ＬＳＴＭ包括三個(gè)門控，分??別用二個(gè)ｓｉｇｍｏｉｄ函數(shù)進(jìn)行控制，我們分別用ｉ，／，?〇表ｔｋ輸入門（ｉｎｐｕｔ）、遺忘（ｆｏｒｇｅｔ）??和輸出門（ｏｕｔｐｕｔ），?■和６分別表示權(quán)重參數(shù)和偏置參數(shù)。??／ｉ＜ｃｉ?｜ｈ＜ｔ＋１＞??Ｃ＜ｔ－３＾?ｓ，?ｃ＜ｔ＞，???Ｃ＜ｔ＋１＞??Ｓ?？￣￣ｆ￣ｆ?？￣￣?，?］?？??ｋ?個(gè)?ｔａｎｈ?ｎ?Ｔ?ｔａｎｈ??ｊ?Ｉ?Ｉ?ｌｃ＜－＞??／ｉ＜ｔ￣１＞Ｖｊ?：?￣＾?—?￣￣—＾??ｖ．＜ｔ＋ｌ＞??圖２－５?ＬＳＴＭ神經(jīng)元內(nèi)部結(jié)構(gòu)圖??如圖２－５所示，圖中的（ｇ）代表乘法運(yùn)算，圖中的？代表加法運(yùn)算，（ｊ代表ｓｉｇｍｏｉｄ??函數(shù)，它可以將數(shù)據(jù)映射到０￣１的空間上，ｔａｎｈ代表ｔａｎｈ函數(shù)，它在這里的作用相??當(dāng)于普通神經(jīng)網(wǎng)絡(luò)中的激活函數(shù)。ｘ＜ｔ：＞代表新數(shù)據(jù)的輸入，／＾〃＾代表經(jīng)上一個(gè)神??經(jīng)元計(jì)算所得到的歷史數(shù)據(jù)信息，代表經(jīng)上一個(gè)神經(jīng)元處理所形成的記憶數(shù)??據(jù)，代表經(jīng)過這個(gè)神經(jīng)元計(jì)算得到的數(shù)據(jù)信息，它是歷史數(shù)據(jù)和新輸入數(shù)據(jù)的??重新組合，也是代表下一個(gè)神經(jīng)元輸入的歷史數(shù)據(jù)，代表經(jīng)這個(gè)神經(jīng)元處理后??得到的現(xiàn)時(shí)記憶數(shù)據(jù)，正是由于ｃ＜ｔ：＞有著獨(dú)立于／�。迹郏镜倪\(yùn)算，才可以形成記憶數(shù)據(jù)??的獨(dú)立存儲(chǔ)，形成ＬＳＴＭ網(wǎng)絡(luò)的長(zhǎng)時(shí)記憶。??根據(jù)圖２－５，這里通過公式具體地描述一下ＬＳＴＭ神經(jīng)元內(nèi)部運(yùn)算以及數(shù)據(jù)??的傳播。??（１）遺忘門：遺忘門的作用是讓神經(jīng)元

【參考文獻(xiàn)】：
期刊論文
[1]基于獨(dú)熱編碼和卷積神經(jīng)網(wǎng)絡(luò)的異常檢測(cè)[J]. 梁杰,陳嘉豪,張雪芹,周悅,林家駿.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(07)
[2]循環(huán)神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 楊麗,吳雨茜,王俊麗,劉義理.  計(jì)算機(jī)應(yīng)用. 2018(S2)
[3]有效市場(chǎng)假說綜述[J]. 唐琨.  金融經(jīng)濟(jì). 2018(20)
[4]基于LSTM-Adaboost模型的商品期貨投資策略研究[J]. 邸浩,趙學(xué)軍,張自力.  南方金融. 2018(08)
[5]基于LSTM神經(jīng)網(wǎng)絡(luò)模型的鋼鐵價(jià)格預(yù)測(cè)[J]. 陸澤楠,商玉林.  科技視界. 2017(13)
[6]中國(guó)股市弱式有效性檢驗(yàn)[J]. 劉佩佩.  宿州學(xué)院學(xué)報(bào). 2016(10)
[7]匯率收益率短記憶性與長(zhǎng)記憶性特征的研究[J]. 吳慧慧.  廣西民族大學(xué)學(xué)報(bào)(自然科學(xué)版). 2014(03)
[8]資產(chǎn)收益的短記憶性與長(zhǎng)記憶性:我國(guó)股票市場(chǎng)效率的動(dòng)態(tài)分析[J]. 李志生,劉正捷.  江西財(cái)經(jīng)大學(xué)學(xué)報(bào). 2011(01)
[9]我國(guó)股票市場(chǎng)與國(guó)民經(jīng)濟(jì)運(yùn)行關(guān)系的實(shí)證研究[J]. 王平,張鴻武.  特區(qū)經(jīng)濟(jì). 2006(10)
[10]神經(jīng)網(wǎng)絡(luò)與時(shí)間序列模型在股票預(yù)測(cè)中的比較[J]. 王波,張鳳玲.  武漢理工大學(xué)學(xué)報(bào)(信息與管理工程版). 2005(06)

博士論文
[1]時(shí)間序列分析的早期發(fā)展[D]. 聶淑媛.西北大學(xué) 2012
[2]我國(guó)股市非線性時(shí)間序列分析[D]. 陳永忠.華中科技大學(xué) 2004

碩士論文
[1]基于LSTM神經(jīng)網(wǎng)絡(luò)的機(jī)場(chǎng)能見度預(yù)測(cè)[D]. 鄧拓.山東大學(xué) 2019
[2]基于LSTM和投資者情緒的股票行情預(yù)測(cè)研究[D]. 周凌寒.華中師范大學(xué) 2018
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的滬深300指數(shù)預(yù)測(cè)[D]. 陳祥一.北京郵電大學(xué) 2018
[4]基于LSTM神經(jīng)網(wǎng)絡(luò)的美股股指價(jià)格趨勢(shì)預(yù)測(cè)模型的研究[D]. 孫瑞奇.首都經(jīng)濟(jì)貿(mào)易大學(xué) 2016
[5]我國(guó)上市證券公司股價(jià)波動(dòng)研究[D]. 李龍.中國(guó)海洋大學(xué) 2014
[6]神經(jīng)網(wǎng)絡(luò)技術(shù)在股票價(jià)格短期預(yù)測(cè)中的應(yīng)用研究[D]. 閆冬.重慶交通大學(xué) 2013
[7]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
[8]我國(guó)股市對(duì)國(guó)民經(jīng)濟(jì)的“晴雨表”作用研究[D]. 張閃閃.吉林大學(xué) 2011



本文編號(hào)：3313492