近年來隨著人工智能上升為國家戰(zhàn)略,人工智能技術(shù)在各領(lǐng)域的應(yīng)用發(fā)展迅速,在金融領(lǐng)域股價變化趨勢的預(yù)測一直是熱點問題,能有效預(yù)測股價的走勢也有著較大的經(jīng)濟與社會價值。目前人們在股價預(yù)測問題中應(yīng)用人工智能技術(shù)時市場內(nèi)的數(shù)據(jù)一般選用股票指標(biāo)數(shù)據(jù),構(gòu)造多個因子,市場外的數(shù)據(jù)選用文本數(shù)據(jù)利用自然語言處理技術(shù)對股票時間序列進行分析預(yù)測。本文主要基于循環(huán)神經(jīng)網(wǎng)絡(luò)模型,將百度指數(shù)數(shù)據(jù)分析平臺的數(shù)據(jù)視為市場外的投資者情緒,即環(huán)境變量,結(jié)合部分市場內(nèi)數(shù)據(jù),采用較有代表性的滬深300指數(shù)日波動率作為目標(biāo)預(yù)測值進行預(yù)測。在本文的研究工作中理論部分主要介紹了傳統(tǒng)機器學(xué)習(xí)方法和循環(huán)神經(jīng)網(wǎng)絡(luò)模型的相關(guān)理論基礎(chǔ),實證部分首先根據(jù)與滬深300指數(shù)波動率相關(guān)的市場內(nèi)的數(shù)據(jù)和利用爬蟲技術(shù)獲取的百度指數(shù)數(shù)據(jù)基于嵌入法(Embedded)做特征選擇,剔除部分市場外的無效信息,之后利用互信息(MI)度量選用最佳的觀測窗口大小和標(biāo)準(zhǔn)化方案,接著在模型構(gòu)建過程中利用Dropout技術(shù)有效防止了過擬合問題,并對模型參數(shù)進行調(diào)試優(yōu)化,重新劃分了訓(xùn)練集、驗證集和測試集,最后與常用機器學(xué)習(xí)方法XGBoost算法的預(yù)測結(jié)果對比分析。本文最后的實證結(jié)果對比表明LSTM模型對滬深300指數(shù)波動率預(yù)測效果較理想,損失函數(shù)的最優(yōu)解在合理范圍,且循環(huán)神經(jīng)網(wǎng)絡(luò)LSTM模型預(yù)測效果稍微優(yōu)于XGBoost模型預(yù)測結(jié)果,也就是說,機器學(xué)習(xí)算法在股價預(yù)測問題的表現(xiàn)具有一定的實用價值,為后續(xù)的研究工作拓展思路。
【學(xué)位單位】：山東大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：F832.51;TP183
【部分圖文】：

成成分是有向邊與節(jié)點，節(jié)點分內(nèi)部節(jié)點，葉節(jié)點。內(nèi)部節(jié)點表示樣本的某個特??征（ｆｅａｔｕｒｅ），葉節(jié)點表示樣本所屬的某個類。決策樹的特點便是模型的樹結(jié)構(gòu)，??如下圖３－１。??廣、特怔或?qū)傩裕??＇?＜內(nèi)雜節(jié)點）??〇??／＼?國類（葉節(jié)點）??＿?：???Ａ??圖３－１決策樹結(jié)構(gòu)圖??決策樹也屬于監(jiān)督學(xué)習(xí)算法，自根部向下逐步生成，在每一步做特征選擇，??選取當(dāng)前層最優(yōu)的特征作為節(jié)點，對訓(xùn)練數(shù)據(jù)做分割。一般在決策樹學(xué)習(xí)過程中??選用信息增益作為特征選擇的度量。在生成一顆決策樹后通常我們會對其進行剪??枝，以防止過擬合問題，容易過擬合也是決策樹的缺點之一。其優(yōu)點是回歸問題??與分類問題都能處理，且直觀易懂，高效，能處理高維數(shù)據(jù)。??１１??

高效的網(wǎng)絡(luò)結(jié)構(gòu)來大量減少神經(jīng)網(wǎng)絡(luò)的參數(shù)數(shù)量。而卷積神經(jīng)網(wǎng)絡(luò)便可以達??到這個目的。最初的卷積神經(jīng)網(wǎng)絡(luò)模型ＬｅＮｅｔ－５模型由Ｙａｎｎ?ＬｅＣｕｎ教授提出。??下圖３－３為ＬｅＮｅｔ－５卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)。??１２??

神經(jīng)元是動態(tài)變化的，也就是說，隱藏神經(jīng)元不是完全由前一層決定，還被更早??的層中的隱藏神經(jīng)元影響，這也是為什么循環(huán)神經(jīng)網(wǎng)絡(luò)模型能夠充分挖掘時序數(shù)??據(jù)的信息的原因。下圖３－５為ＲＮＮ示意圖。??（Ｚ）?ｃ＾）??［°?Ｊ??？??ＮｒＶ?Ｉｎｆｏｌｄ?＾ＴＶ?Ｊｖ?Ｊｖ??（＂）■?ｉ?Ｍ－＞?ｈＷ?Ｖ－Ｗ?＾??、贈，?ｖｙ?ｖ?＿?？??ｆ?＊?ｊ?（汐－＊）丨?＊ｗ）?Ｇ??圖３－５循環(huán)神經(jīng)網(wǎng)絡(luò)原理??代表在時間序列＃時循環(huán)神經(jīng)網(wǎng)絡(luò)模型的隱藏狀態(tài)。由；ｒＷ和砂共??同決定。＃）表示在時間序列〖時訓(xùn)練數(shù)據(jù)的輸入。對于任意時刻“神經(jīng)元的隱??藏狀態(tài)妒可由，和矽？表示如下：??ｈ｛ｔ）?＝?ａ（ｚｗ）?＝?ｃｒ｛Ｕｘ｛ｔ）?＋?Ｗｈ［ｔ￣ｌ）?＋?ｂ）?（３．９）??值得一提的是，＜ｒＵ）通常是非線性激活函數(shù)，其中參數(shù)Ｕ，Ｗ，偏置項ｂ是由??隱藏層的神經(jīng)元共享的，是根據(jù)不斷輸入的新的數(shù)據(jù)在更新的，也就是說，參數(shù)??受最近輸入的數(shù)據(jù)影響更大，更早的數(shù)據(jù)影響越來越小，同時也大大減少了模型??的參數(shù)數(shù)量。??簡化后的ＲＮＮ單元結(jié)構(gòu)圖３－６如下。??１４??
【相似文獻】

相關(guān)期刊論文 前10條

1 肖書暢;;基于百度指數(shù)對投資者關(guān)注度測量指標(biāo)的研究[J];現(xiàn)代經(jīng)濟信息;2018年02期

2 王永斌;;誰在關(guān)注社會主義核心價值觀——基于百度指數(shù)的大數(shù)據(jù)分析[J];馬克思主義研究;2018年02期

3 柏正健;方華;;基于百度指數(shù)的投資者關(guān)注度對股票市場表現(xiàn)的影響[J];電子商務(wù);2018年12期

4 田冰;胡俞越;;投資者關(guān)注對滬深300股指期貨、現(xiàn)貨收益率的影響——基于百度指數(shù)的實證分析[J];中國證券期貨;2019年02期

5 邱瀘誼;李華;;基于百度指數(shù)的社會輿情研究[J];科技風(fēng);2018年33期

6 立夏;;生鮮電商:或成下一個電商時代的“門票”[J];農(nóng)經(jīng);2017年03期

7 李云鵬;;旅游場景驅(qū)動的大數(shù)據(jù)應(yīng)用[J];旅游學(xué)刊;2017年09期

8 陳洪;劉燊;趙曉;;網(wǎng)絡(luò)關(guān)注度視域下的“校園貸”問題研究——基于百度指數(shù)數(shù)據(jù)平臺[J];山西能源學(xué)院學(xué)報;2018年06期

9 柯山;潘輝;呂梁;;基于百度指數(shù)關(guān)注行為傾向的鄉(xiāng)村振興規(guī)劃實踐——以福建省古田縣金翼之家為例[J];東南園藝;2019年01期

10 顧敏華;姚建香;湯玲;;特定關(guān)鍵詞的百度指數(shù)與流感病毒活動相關(guān)性分析[J];職業(yè)與健康;2019年08期

相關(guān)碩士學(xué)位論文 前10條

1 胡倩倩;基于百度指數(shù)的海南旅游量預(yù)測[D];吉林大學(xué);2019年

2 徐楊;投資者關(guān)注度對煤炭上市公司市場表現(xiàn)的影響研究[D];西安科技大學(xué);2019年

3 馬歡;基于百度指數(shù)和BP神經(jīng)網(wǎng)絡(luò)的汽車銷量預(yù)測模型研究[D];武漢理工大學(xué);2018年

4 問曉萌;互聯(lián)網(wǎng)大數(shù)據(jù)對A股影響的實證分析[D];天津大學(xué);2018年

5 李樹陽;基于循環(huán)神經(jīng)網(wǎng)絡(luò)及百度指數(shù)預(yù)測A股市場波動率[D];山東大學(xué);2019年

6 蔡巧;基于百度指數(shù)手足口病發(fā)病預(yù)測模型的比較研究[D];廣東藥科大學(xué);2018年

7 孫益林;基于百度指數(shù)的異位妊娠患病情況的大數(shù)據(jù)分析[D];蘇州大學(xué);2018年

8 徐天成;中國網(wǎng)絡(luò)語言中的日源借詞的計量研究[D];北京外國語大學(xué);2018年

9 劉晨陽;基于百度指數(shù)的汽車銷量預(yù)測研究[D];湖北大學(xué);2018年

10 張淯洋;投資者關(guān)注度與小盤股市場表現(xiàn)[D];華東政法大學(xué);2018年

本文編號：2845287