伴隨著全球經(jīng)濟(jì)一體化進(jìn)程飛速發(fā)展,股票市場(chǎng)在全球經(jīng)濟(jì)中扮演著越來(lái)越重要的角色,準(zhǔn)確的對(duì)股票市場(chǎng)進(jìn)行預(yù)測(cè)具有重要的社會(huì)經(jīng)濟(jì)價(jià)值;股票市場(chǎng)擁有來(lái)源廣泛而異質(zhì)的海量數(shù)據(jù),這樣的數(shù)據(jù)特性為捕捉股票市場(chǎng)中的隱含規(guī)律和關(guān)聯(lián)進(jìn)行準(zhǔn)確預(yù)測(cè)提出了新的挑戰(zhàn),其研究具有重要的學(xué)術(shù)價(jià)值。近年來(lái),深度學(xué)習(xí)在計(jì)算機(jī)視覺、語(yǔ)音和自然語(yǔ)言處理等多個(gè)領(lǐng)域取得了令人矚目的進(jìn)展,展示出其具有處理各種數(shù)據(jù)類型,特別是多尺度（秒分時(shí)天周等不同時(shí)間尺度）、多源（股票市場(chǎng)、社交網(wǎng)絡(luò)和門戶網(wǎng)站等不同來(lái)源）和異質(zhì)（數(shù)值、文本和圖像等不同形式）數(shù)據(jù)的強(qiáng)大能力,為預(yù)測(cè)具有多尺度、多來(lái)源且異質(zhì)特性的股票市場(chǎng)提供了強(qiáng)有力的工具。本文在深入研究股票市場(chǎng)預(yù)測(cè)問題的特點(diǎn)、廣泛分析已有相關(guān)研究工作的基礎(chǔ)上,針對(duì)股票市場(chǎng)預(yù)測(cè)技術(shù)的三個(gè)關(guān)鍵問題提出了一系列的解決方法,并在多個(gè)公開真實(shí)數(shù)據(jù)集上進(jìn)行了有效性驗(yàn)證。具體而言,本文的主要研究工作和成果包括:針對(duì)股票數(shù)據(jù)的多尺度特性,提出了一個(gè)多尺度循環(huán)卷積網(wǎng)絡(luò)（Multi-Scale Recurrent Convolutional Neural Network,MS-RCNN）模型進(jìn)行股票市場(chǎng)預(yù)測(cè)。股票數(shù)據(jù)的多尺... 

【文章來(lái)源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：121 頁(yè)

【學(xué)位級(jí)別】：博士

【部分圖文】：

圖２－１循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)??

北京郵電大學(xué)工學(xué)博士學(xué)位論文???＼１／?＼１／??Ｉｎｐｕｔ?Ｇａｔｅ?（?ｌ?ｊ?Ｏｕｔｐｕｔ?Ｇａｔｅ?（?０?）??（＾??Ｖｓ??ｆ?ｆ?］?Ｆｏｒｇｅｔ?Ｇａｔｅ???Ｋ�。�???／ｌ＼??圖２－２長(zhǎng)短時(shí)記憶結(jié)構(gòu)??如圖２－２所示，每個(gè)ＬＳＴＭ單元具有由三個(gè)門限（ｉｎｐｕｔ，ｆｏｒｇｅｔ和ｏｕｔｐｕｔ）??以及一個(gè)Ｃｅｌｌ單元，其隱變量更新公式如下：??／ｔ?＝?ｃｒ（＼Ａ＾［ｈｔ＿１，?ｘｔ］）??ｉｔ?＝?＾（ｙ＾ｉｌｈｔ－ｉ，ｘｔ］）??°ｔ?＝?＾ｔｌ）??Ｑｔ?＝?Ｑｔ－ｉ?＊?ｆｔ?＋?ｈ?＊（Ｗｃ［ｈｔ＿ｉ－＾ｔ］）??ｈｔ?＝?ｏｔ＊?ｔａｎｈ（Ｑｔ）?（２－３）??這里，；ｃｔ是ｔ時(shí)刻的輸入，＼是【時(shí)刻的隱變量，Ｑｔ是細(xì)胞單元ｔ時(shí)刻的值，??Ｗｐ分別是三個(gè)門限以及細(xì)胞單元更新所使用的參數(shù)。為了簡(jiǎn)化表??達(dá)，公式中的偏置項(xiàng)被省略。ＬＳＴＭ通過門限操作來(lái)對(duì)當(dāng)前輸入信息以及歷史輸??入信息進(jìn)行選擇和過濾，綜合考慮當(dāng)前和歷史的信息來(lái)更新細(xì)胞單元，從而更新??隱變量的值，在一些需要處理長(zhǎng)序列輸入場(chǎng)景取得很好的效果而得到廣泛應(yīng)用，??如文本的序列標(biāo)注Ｍ以及文本分類［８７］等領(lǐng)域。??ＬＳＴＭ在更新隱變量的時(shí)候采用了非線性操作，在處理長(zhǎng)序列的時(shí)候，多次??非線性操作會(huì)增加了模型的復(fù)雜程度導(dǎo)致模型隱變量學(xué)習(xí)的在某些場(chǎng)景下難以??學(xué)習(xí)或者需要大量數(shù)據(jù)才能學(xué)習(xí)到。??１８??

第二章基本相關(guān)信息??２．２．１．３門限循環(huán)單元模型??門限循環(huán)單元（Ｇａｔｅｄ?Ｒｅｃｕｒｒｅｎｔ?Ｕｎｉｔ，?ＧＲＵ）間相對(duì)ＬＳＴＭ結(jié)構(gòu)來(lái)說(shuō)，其是??對(duì)ＬＳＴＭ的結(jié)構(gòu)進(jìn)行簡(jiǎn)化的同時(shí)保持解決長(zhǎng)依賴問題以及訓(xùn)練時(shí)的梯度消失和??梯度爆照問題能力的一種循環(huán)祌經(jīng)網(wǎng)絡(luò)。如圖２－３所示，ＧＲＵ相對(duì)于ＬＳＴＭ合??并了輸入（ｉｎｐｕｔ）和遺忘（ｆｏｒｇｅｔ）門限（Ｇａｔｅ），減少了細(xì)胞單兀（Ｃｅｌｌ）。同時(shí)，??其隱變量更新改變?yōu)榫�性操作，而ＬＳＴＭ是非線性操作。??因此，ＧＲＵ參數(shù)規(guī)模更小，更加適合數(shù)據(jù)關(guān)系復(fù)雜程度不高的情況。在這??種復(fù)雜程度不高情況下，會(huì)比ＬＳＴＭ獲得更好的效果Ｉ８９］。其隱變量更新公式如??下：??ｒｔ?＝?ａ（Ｗｒｘｔ＋Ｕｒｈｔ＾）??ｚｔ?＝?ＣＴ＾Ｘｔ＋Ｕ＾ｔ＾）??ｈ＇ｔ?＝?ｔａｎｈ（Ｗｆｔｘｔ＋Ｕｒ（ｒｔ?＊?ｈｔ＿ｘ））??ｈｔ?＝?（１?＋?ｚｔｈ＇ｔ?（２－４）??０??—－０?——■——－ｈｔ??？?＿?＿?？???／Ｋ?Ａ??圖２－３門限循環(huán)單元結(jié)構(gòu)??１９??


本文編號(hào)：3528059