在國內(nèi)市場經(jīng)濟體制持續(xù)改善的背景下,股票市場在我國經(jīng)濟體系中占有越來越重要的地位,參與股票投資的人也逐漸增加。股票價格的波動影響著社會經(jīng)濟生活的各個方面,因而有效預(yù)測股票走勢在實際應(yīng)用方面存在很大的價值。傳統(tǒng)的時間序列預(yù)測模型一般只能找到數(shù)據(jù)之間的線性關(guān)系,而股票數(shù)據(jù)本質(zhì)上是高噪聲的、動態(tài)的和非線性的。與傳統(tǒng)方法相比,深度學(xué)習(xí)理論憑借其強大的自學(xué)習(xí)能力和非線性逼近能力,能夠很好地解決股票預(yù)測中數(shù)據(jù)眾多、非線性關(guān)系復(fù)雜等問題。本文以深度學(xué)習(xí)理論為基礎(chǔ),探究了人工神經(jīng)網(wǎng)絡(luò)在股指預(yù)測上的可行性,主要研究工作如下:（1）股指收盤價受諸多因素影響,因此數(shù)據(jù)集必須能夠包含盡可能全面的指標。除了選取最常見的“四價一量”（開盤價、收盤價、最高價、最低價和成交量）等基本指標,本文還在股指日線數(shù)據(jù)的基礎(chǔ)上計算出了相關(guān)的技術(shù)指標,建立了股指預(yù)測的指標體系。（2）構(gòu)建了一個融合卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）和門控循環(huán)單元（Gated Recurrent Unit,GRU）神經(jīng)網(wǎng)絡(luò)的混合股指預(yù)測模型。針對股指數(shù)據(jù)高維度、高噪音的特點,利用CNN優(yōu)秀的特征提取能力... 

【文章來源】： 從筱卿 江西財經(jīng)大學(xué)

【文章頁數(shù)】：60 頁

【學(xué)位級別】：碩士

【部分圖文】：

CNN結(jié)構(gòu)圖

第2章相關(guān)理論15圖2-2RNN結(jié)構(gòu)展開圖RNN的前向傳播可以表示為：11tttsttosxsbosbUWV（2.16)其中，ts表示t時刻的隱藏狀態(tài)，tx表示t時刻的輸入數(shù)據(jù)，t1o表示t+1時刻的輸出；為非線性激活函數(shù)；U為輸入層和隱藏層之間的權(quán)值矩陣，W為隱藏層與其自身在相鄰時間步長之間的權(quán)值矩陣，V為隱藏層和輸出層之間的權(quán)值矩陣，sb、ob是偏置向量。計算中涉及到的參數(shù)是共享的，因此理論上來說，任意長度的序列數(shù)據(jù)都能被RNN處理。ts的計算依賴于t1s，t1s的計算又依賴于t2s，以此類推，RNN中某一時刻的狀態(tài)依賴于過去所有時刻的狀態(tài)。2.3.2長短時記憶神經(jīng)網(wǎng)絡(luò)在實際運用中，RNN往往面臨訓(xùn)練困難的問題。在RNN沿序列反向傳播的過程中，因為網(wǎng)絡(luò)展開的較長，誤差需要歸因到每一層的每個神經(jīng)元上，這就導(dǎo)致了梯度將與從當(dāng)前時間步長一直到初始時間步長的網(wǎng)絡(luò)權(quán)值相乘。由于這種乘法累加，權(quán)重會對梯度造成不小的影響，若權(quán)重較小，則梯度會消失，而較大的權(quán)重則會致使梯度發(fā)生爆炸[47]。為了解決這個難題，Hochreiter和Schmidhuber[48]（1997）提出了LSTM神經(jīng)網(wǎng)絡(luò)。LSTM神經(jīng)網(wǎng)絡(luò)是在RNN的基礎(chǔ)上改進得到的，它將RNN隱藏層中的神經(jīng)元替換為3個存儲單元，即輸入門、遺忘門和輸出門。在反向傳播過程中，這3個存儲單元能夠利用修正的權(quán)值有選擇地遺忘或部分（全部）接受前一時刻的信息。LSTM神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)如圖2-3所示。

基于深度學(xué)習(xí)的混合股指預(yù)測模型研究16圖2-3LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖LSTM神經(jīng)網(wǎng)絡(luò)的第一步是由“遺忘門”決定從單元狀態(tài)中哪些信息被丟棄。它通過觀察前一時刻的隱藏狀態(tài)和當(dāng)前時刻的輸入來輸出一個介于0~1的向量，此向量反映了上一時刻記憶單元中的哪些信息被保留，1說明“完全保存歷史信息”，0說明“完全忽略歷史信息”。ttt1ffxhbxfhfWW（2.17）其中，xfW、hfW、表示“遺忘門”的權(quán)重和偏置；通常是一個sigmoid函數(shù)。下一步是確定將哪些新信息存儲到單元狀態(tài)中。這一步可以細分為兩個步驟：首先，“輸入門”用于控制當(dāng)前時刻輸入數(shù)據(jù)有多少可以保存到記憶單元中；然后，tanh層構(gòu)建一個新的候選值向量添加到記憶單元中。ttt1iixhbxihiWW（2.18）1tanhtttccxhbxchcWW（2.19）其中，xiW、hiW、表示“輸入門”的權(quán)重和偏置，xcW、hcW、表示記憶單元的權(quán)重和偏置。當(dāng)前時刻記憶單元是由前一時刻記憶單元和候選值向量分別與“遺忘門”和“輸入門”加權(quán)相加求得的。該操作可以讓網(wǎng)絡(luò)有選擇地丟棄歷tft1htxt1cfbtitcàà=ibcbtct1ctcàà=tfti

【參考文獻】：
期刊論文
[1]基于LSTM的股票價格預(yù)測建模與分析[J]. 彭燕,劉宇紅,張榮芬.  計算機工程與應(yīng)用. 2019(11)
[2]基于特征選取與LSTM模型的股指預(yù)測方法研究[J]. 陳佳,劉冬雪,武大碩.  計算機工程與應(yīng)用. 2019(06)
[3]基于深度門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)的短期風(fēng)功率預(yù)測模型[J]. 牛哲文,余澤遠,李波,唐文虎.  電力自動化設(shè)備. 2018(05)
[4]稀疏VAR在股票收益率研究的應(yīng)用[J]. 胡亞南,張?zhí)仗?李蕾,田茂再.  數(shù)理統(tǒng)計與管理. 2017(04)
[5]基于ARIMA模型的短期股票價格預(yù)測[J]. 吳玉霞,溫欣.  統(tǒng)計與決策. 2016(23)
[6]基于誤差校正的灰色神經(jīng)網(wǎng)絡(luò)股票收益率預(yù)測[J]. 于志軍,楊善林,章政,焦健.  中國管理科學(xué). 2015(12)
[7]股票價格短期預(yù)測的LM遺傳神經(jīng)網(wǎng)絡(luò)算法[J]. 肖菁,潘中亮.  計算機應(yīng)用. 2012(S1)
[8]基于小波和神經(jīng)網(wǎng)絡(luò)相結(jié)合的股票價格模型[J]. 張坤,郁湧,李彤.  計算機工程與設(shè)計. 2009(23)
[9]一種新的時間序列分析算法及其在股票預(yù)測中的應(yīng)用[J]. 周廣旭.  計算機應(yīng)用. 2005(09)
[10]中國股市是弱式有效的嗎——基于一種新方法的實證研究[J]. 陳燈塔,洪永淼.  經(jīng)濟學(xué)(季刊). 2003(04)

碩士論文
[1]基于EEMDLSTM模型的滬深300指數(shù)預(yù)測研究[D]. 李晨亮.北京交通大學(xué) 2019
[2]一種基于機器學(xué)習(xí)的股票預(yù)測和量化投資系統(tǒng)[D]. 方樸一.浙江大學(xué) 2018
[3]基于LSTM深度神經(jīng)網(wǎng)絡(luò)的股市時間序列預(yù)測精度的影響因素研究[D]. 毛景慧.暨南大學(xué) 2017
[4]基于混合模型的股票趨勢預(yù)測方法研究[D]. 吳少聰.哈爾濱工業(yè)大學(xué) 2017
[5]基于模糊深度學(xué)習(xí)網(wǎng)絡(luò)算法的短期股價預(yù)測[D]. 劉慶玲.哈爾濱工業(yè)大學(xué) 2016
[6]基于神經(jīng)網(wǎng)絡(luò)的股票預(yù)測[D]. 俞福福.哈爾濱工業(yè)大學(xué) 2016
[7]基于深度信念網(wǎng)絡(luò)的股票價格預(yù)測研究[D]. 崔東東.華中科技大學(xué) 2016



本文編號：2964129