在統(tǒng)計(jì)和金融學(xué)科的應(yīng)用領(lǐng)域,股票市場(chǎng)是一個(gè)變量關(guān)系錯(cuò)綜復(fù)雜的非線性系統(tǒng),如何能夠較為準(zhǔn)確地預(yù)測(cè)其未來價(jià)格或趨勢(shì)走向是非常值得研究的課題。本文的研究?jī)?nèi)容在于如何將深度學(xué)習(xí)的技術(shù)應(yīng)用于股票市場(chǎng)的預(yù)測(cè)中去,數(shù)據(jù)選取了高頻和低頻兩個(gè)不同市場(chǎng)的股票序列數(shù)據(jù),主要的工作包括如下三方面:第一,對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理,建立雙LSTM深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)股票進(jìn)行價(jià)格預(yù)測(cè),同時(shí)與傳統(tǒng)的AR時(shí)間序列模型的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比,實(shí)驗(yàn)結(jié)果的對(duì)比證實(shí)了深度學(xué)習(xí)模型在預(yù)測(cè)準(zhǔn)確性方面的優(yōu)勢(shì)。此外通過分析兩只股票的預(yù)測(cè)案例說明了預(yù)測(cè)模型的適用范圍。第二,進(jìn)行了股票漲跌的趨勢(shì)預(yù)測(cè),通過對(duì)價(jià)格預(yù)測(cè)網(wǎng)絡(luò)的改進(jìn)和增強(qiáng),加入卷積進(jìn)行深度特征學(xué)習(xí),建立卷積-雙GRU深度學(xué)習(xí)網(wǎng)絡(luò)。在減少訓(xùn)練參數(shù)的同時(shí)加強(qiáng)訓(xùn)練結(jié)果,在與logistic模型對(duì)比實(shí)驗(yàn)后得到了更準(zhǔn)確的預(yù)測(cè)結(jié)果,同時(shí)能夠支持實(shí)時(shí)更新預(yù)測(cè)。第三,使用兩個(gè)機(jī)器學(xué)習(xí)中增強(qiáng)學(xué)習(xí)的策略來強(qiáng)化預(yù)測(cè)。通過軟投票策略來實(shí)現(xiàn)超參數(shù)的自動(dòng)化選擇,減少預(yù)訓(xùn)練過程并增加預(yù)測(cè)的可靠性;通過雙閾值分類來降低錯(cuò)誤判斷的風(fēng)險(xiǎn),實(shí)現(xiàn)了自適應(yīng)化過程。實(shí)驗(yàn)結(jié)果表明增強(qiáng)學(xué)習(xí)后的結(jié)果得到了明顯的改善。

【文章頁數(shù)】：56 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
專用術(shù)語注釋表
第一章 緒論
    1.1 選題的背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 研究?jī)?nèi)容與組織框架
        1.3.1 研究?jī)?nèi)容與創(chuàng)新點(diǎn)
        1.3.2 組織框架
第二章 深度神經(jīng)網(wǎng)絡(luò)概述
    2.1 神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)
    2.2 網(wǎng)絡(luò)層
        2.2.1 卷積與池化
        2.2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)
        2.2.3 Dropout和批正則化
    2.3 激活函數(shù)、損失函數(shù)與優(yōu)化器
        2.3.1 幾個(gè)常用的激活函數(shù)
        2.3.2 經(jīng)驗(yàn)風(fēng)險(xiǎn)函數(shù)
        2.3.3 兩個(gè)優(yōu)化器
    2.4 深度學(xué)習(xí)的一般算法步驟
第三章 基于長(zhǎng)短期記憶網(wǎng)絡(luò)的股票預(yù)測(cè)
    3.1 股票數(shù)據(jù)簡(jiǎn)介
    3.2 股票數(shù)據(jù)預(yù)處理
        3.2.1 數(shù)據(jù)集切分和標(biāo)準(zhǔn)化
        3.2.2 特征生成
    3.3 LSTM模型
        3.3.1 前向傳播
        3.3.2 后向傳播
    3.4 網(wǎng)絡(luò)構(gòu)建
        3.4.1 早停策略
        3.4.2 雙LSTM網(wǎng)絡(luò)
    3.5 實(shí)證結(jié)果
        3.5.1 軟硬件環(huán)境
        3.5.2 基準(zhǔn)模型與衡量指標(biāo)
        3.5.3 預(yù)測(cè)結(jié)果
    3.6 本章小結(jié)
第四章 基于門控循環(huán)單元的股票預(yù)測(cè)
    4.1 GRU模型
    4.2 網(wǎng)絡(luò)構(gòu)建
        4.2.1 價(jià)格預(yù)測(cè)網(wǎng)絡(luò)
        4.2.2 趨勢(shì)預(yù)測(cè)網(wǎng)絡(luò)
    4.3 實(shí)證結(jié)果
        4.3.1 基準(zhǔn)模型與衡量指標(biāo)
        4.3.2 價(jià)格預(yù)測(cè)結(jié)果
        4.3.3 趨勢(shì)預(yù)測(cè)結(jié)果
    4.4 本章小結(jié)
第五章 股票預(yù)測(cè)的增強(qiáng)學(xué)習(xí)策略
    5.1 機(jī)器學(xué)習(xí)背景
    5.2 增強(qiáng)方法
        5.2.1 軟投票
        5.2.2 雙閾值分類
        5.2.3 算法步驟
    5.3 實(shí)證結(jié)果與對(duì)比
        5.3.1 具體結(jié)果
        5.3.2 統(tǒng)計(jì)對(duì)比
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
附錄 程序清單
致謝



本文編號(hào)：3860413