隨著我國資本市場的快速發(fā)展和居民收入水平的逐步提升,股票市場吸引了越來越多的投資者參與其中,特別是在2020年新冠疫情影響下,為提振經(jīng)濟實行的較為寬松的貨幣政策令股票市場表現(xiàn)不俗,股市吸引了大量新增投資者。數(shù)據(jù)顯示,截至2020年12月,中國A股投資者共計1.77億戶,戶均市值達到45萬,全年新增投資者1802.11萬戶,同比增加了36.02%。股市的參與人數(shù)眾多說明市場交易活躍,但是,個人投資者在交易中存在非理性投機傾向,盲目地追漲殺跌不利于股票市場的健康發(fā)展。倘若能夠利用技術(shù)手段對股票價格走勢進行預測,同時為投資者提供投資參考建議,那么此舉將會促進資本市場的良性發(fā)展并提升投資者的收益水平,具有較強的理論和現(xiàn)實意義。本文在股票價格趨勢預測中引入深度學習神經(jīng)網(wǎng)絡(luò)算法,將兩種原理不同的神經(jīng)網(wǎng)絡(luò)架構(gòu)CNN和LSTM相結(jié)合來對股價漲跌進行預測。首先,對上證50指數(shù)成分股自2011年至2020年的日頻原始交易數(shù)據(jù)進行數(shù)據(jù)預處理,采用滑窗滾動方式生成數(shù)據(jù)樣本來訓練神經(jīng)網(wǎng)絡(luò)模型,通過對不同輸入變量下模型預測準確度之間相互比較來確定本文研究模型的輸入變量,最終得到包括個股基本交易指標、上證50指數(shù)指...

【文章頁數(shù)】：85 頁

【學位級別】：碩士

【部分圖文】：

圖3-1M-P神經(jīng)元模型

第三章相關(guān)概念與理論基礎(chǔ)15高層的網(wǎng)絡(luò)表達由低層表達組合而成，通過這種方式實現(xiàn)對輸入數(shù)據(jù)的分級表達。由于深度學習的神經(jīng)網(wǎng)絡(luò)隱藏層數(shù)量很多，從而能夠?qū)崿F(xiàn)無限逼近任何非線性函數(shù)，便于對非線性問題進行擬合研究。近年來，深度學習在很多研究領(lǐng)域突破了傳統(tǒng)機器學習的瓶頸，不斷推動著人工智能的....

圖3-2三種常用的激活函數(shù)

西北大學碩士學位論文16的線性關(guān)系轉(zhuǎn)化為非線性關(guān)系，常用的激活函數(shù)有ReLU函數(shù)、sigmoid函數(shù)和tanh函數(shù)，三種函數(shù)圖像如圖3-2所示。圖3-2三種常用的激活函數(shù)顯然，這三種激活函數(shù)圖像有很大差異因此各自特點也不同，ReLU函數(shù)能夠加快神經(jīng)網(wǎng)絡(luò)模型收斂速度，sigmoid....

圖3-3神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

西北大學碩士學位論文16的線性關(guān)系轉(zhuǎn)化為非線性關(guān)系，常用的激活函數(shù)有ReLU函數(shù)、sigmoid函數(shù)和tanh函數(shù)，三種函數(shù)圖像如圖3-2所示。圖3-2三種常用的激活函數(shù)顯然，這三種激活函數(shù)圖像有很大差異因此各自特點也不同，ReLU函數(shù)能夠加快神經(jīng)網(wǎng)絡(luò)模型收斂速度，sigmoid....

圖3-4模型不同擬合程度示意圖

較長的時間才能達到收斂，如果學習率太大，模型又有可能在最優(yōu)值附近徘徊而無法收斂，在實際中設(shè)定好初始學習率后，通過從大到小試錯來確定模型的學習率。神經(jīng)網(wǎng)絡(luò)通過反向傳播誤差來調(diào)整模型內(nèi)部參數(shù)，最終達到損失函數(shù)最小化，此時神經(jīng)網(wǎng)絡(luò)模型訓練結(jié)束，接下來通過模型在樣本外數(shù)據(jù)上的預測表現(xiàn)來評....

本文編號：3962064