發(fā)布時間：2023-12-23 16:38

　　股票市場自誕生以來,已經(jīng)成為金融業(yè)必不可少的一部分,一直受到投資者以及金融管理者的高度關(guān)注,股票價格的預(yù)測已經(jīng)成為無數(shù)研究者和投資者關(guān)注的重點。影響股票市場的因素眾多復(fù)雜且具有非線性的特征,因此研究出一種精確度更高的股票價格預(yù)測模型具有十分重要的理論意義和應(yīng)用價值。隨著大數(shù)據(jù)時代的到來,計算機并行計算能力發(fā)展迅速,機器學習中的深度學習已然成為金融領(lǐng)域中的應(yīng)用前沿。本文利用深度學習中的棧式自編碼器神經(jīng)網(wǎng)絡(luò)SAE對股票價格進行預(yù)測研究。首先通過具有無監(jiān)督學習機制的自編碼器對股票價格時間序列進行特征提取,再利用逐層貪婪訓練算法逐個訓練自編碼器,然后將模型學習到的參數(shù)作為整個網(wǎng)絡(luò)的初始參數(shù),最后通過反向傳播算法有監(jiān)督的微調(diào)整個網(wǎng)絡(luò)。在實證分析方面,本文選取了上證指數(shù)日數(shù)據(jù)作為實驗樣本,并和ARMA時間序列預(yù)測模型以及BP神經(jīng)網(wǎng)絡(luò)模型的做實證對比,實驗結(jié)果顯示棧式自編碼器神經(jīng)網(wǎng)絡(luò)模型在各個預(yù)測性能指標上表現(xiàn)的更好,預(yù)測精度更高。為了進一步驗證模型的預(yù)測能力,本文重新選擇兩段時間周期相同但先后順序不同的上證指數(shù)日數(shù)據(jù)做實證對比分析,實驗結(jié)果表明基于棧式自編碼器神經(jīng)網(wǎng)絡(luò)的股價預(yù)測模型效果良好,具有很...

【文章頁數(shù)】：54 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 國外研究現(xiàn)狀
        1.2.2 國內(nèi)研究現(xiàn)狀
        1.2.3 研究評述
    1.3 主要研究內(nèi)容與結(jié)構(gòu)安排
    1.4 本文的創(chuàng)新之處
第2章 股票市場預(yù)測相關(guān)理論基礎(chǔ)
    2.1 中國股票市場相關(guān)介紹
        2.1.1 我國股票市場的特點與現(xiàn)狀
        2.1.2 評價股票的常用指標
    2.2 人工神經(jīng)網(wǎng)絡(luò)原理
        2.2.1 人工神經(jīng)網(wǎng)絡(luò)來源
        2.2.2 人工神經(jīng)元模型
        2.2.3 激活函數(shù)
        2.2.4 神經(jīng)網(wǎng)絡(luò)的特點
    2.3 分析股票常用的預(yù)測模型
        2.3.1 傳統(tǒng)的預(yù)測理論與模型
        2.3.2 機器學習預(yù)測理論與模型
    2.4 本章小結(jié)
第3章 棧式自編碼器神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建
    3.1 自編碼器AE網(wǎng)絡(luò)結(jié)構(gòu)
    3.2 自編碼器的學習算法
    3.3 棧式自編碼器SAE模型的構(gòu)建
    3.4 逐層貪婪訓練
    3.5 微調(diào)
    3.6 評估模型的性能指標
        3.6.1 平均絕對誤差指標MAE
        3.6.2 均方根誤差指標RMSE
        3.6.3 平均絕對百分比誤差指標MAPE
    3.7 本章小結(jié)
第4章 數(shù)據(jù)處理與實證分析
    4.1 數(shù)據(jù)處理
        4.1.1 數(shù)據(jù)來源
        4.1.2 本文選取的預(yù)測指標
        4.1.3 數(shù)據(jù)的預(yù)處理
    4.2 模型關(guān)鍵參數(shù)的設(shè)置
    4.3 棧式自編碼器神經(jīng)網(wǎng)絡(luò)預(yù)測模型的調(diào)優(yōu)
    4.4 棧式自編碼器神經(jīng)網(wǎng)絡(luò)實證比較分析
    4.5 SAE模型不同時間段數(shù)據(jù)的實證比較分析
    4.6 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 不足與展望
參考文獻
致謝
個人簡歷、在學期間發(fā)表的學術(shù)論文與研究成果



本文編號：3874088