【摘要】：股市是國(guó)家經(jīng)濟(jì)的重要組成部分,隨著近年來(lái)人民生活水平的提高,進(jìn)行股票投資的人不斷增多。股票預(yù)測(cè)是每個(gè)投資者都在進(jìn)行嘗試的一項(xiàng)研究,普通投資者通過(guò)技術(shù)分析手段確認(rèn)選股進(jìn)行交易,技術(shù)分析師通過(guò)基本面、技術(shù)面和消息面多方結(jié)合進(jìn)行推薦,而科研人員則是通過(guò)建立數(shù)學(xué)模型來(lái)對(duì)股票數(shù)據(jù)進(jìn)行分析。隨著深度學(xué)習(xí)的爆發(fā)以及循環(huán)神經(jīng)網(wǎng)絡(luò)在時(shí)間序列中取得良好的表現(xiàn),LSTM作為循環(huán)神經(jīng)網(wǎng)絡(luò)中的經(jīng)典模型受到了廣泛的關(guān)注,具有廣闊的應(yīng)用前景。股票數(shù)據(jù)表現(xiàn)為經(jīng)典的金融時(shí)間序列,利用神經(jīng)網(wǎng)絡(luò)對(duì)股票數(shù)據(jù)進(jìn)行預(yù)測(cè)是近年來(lái)的研究熱點(diǎn)。隨著算法交易、量化投資等理念的興起,越來(lái)越多的人開始利用神經(jīng)網(wǎng)絡(luò)對(duì)股票數(shù)據(jù)進(jìn)行預(yù)測(cè)。但神經(jīng)網(wǎng)絡(luò)隱藏層的構(gòu)建至今沒有較好的指導(dǎo)理論,眾多研究人員都是依靠自己摸索,或者在前人的經(jīng)驗(yàn)上獲取模型的結(jié)構(gòu)以及參數(shù)設(shè)置。本文基于“歷史總會(huì)重演”的觀點(diǎn),對(duì)同行業(yè)中的股票間常出現(xiàn)“同漲同跌”現(xiàn)象進(jìn)行研究,通過(guò)結(jié)合Pearson相關(guān)系數(shù)和動(dòng)態(tài)時(shí)間規(guī)整兩種算法來(lái)對(duì)股票相關(guān)性特征的提取進(jìn)行設(shè)計(jì)。在線性關(guān)系中利用Pearson對(duì)股票中存在的長(zhǎng)、短周期進(jìn)行獲取,而在非線性關(guān)系中則利用動(dòng)態(tài)時(shí)間規(guī)整,并將獲取到的信息轉(zhuǎn)化為相關(guān)性特征。在此基礎(chǔ)上,設(shè)計(jì)了結(jié)合相關(guān)性特征的LSTM股票預(yù)測(cè)方法,利用Dense、PReLU、Dropout等多種神經(jīng)網(wǎng)絡(luò)算法結(jié)構(gòu)構(gòu)造出多種不同的LSTM模型,并探討了不同模型結(jié)構(gòu)及參數(shù)設(shè)置的股票預(yù)測(cè)效果。實(shí)驗(yàn)結(jié)果表明,本文提出的分類預(yù)測(cè)方法比傳統(tǒng)的SVM、BP模型在正確率有3%以上的改進(jìn);而回歸預(yù)測(cè)方法則比傳統(tǒng)的LinearRegression、BP模型在RMSE、R~2、誤差值以及自設(shè)計(jì)的盈利值等多個(gè)指標(biāo)上均有更好表現(xiàn)。
【圖文】：

Williams[45]于 1986 年改進(jìn)的 BP 算法是了非線性分類和學(xué)習(xí)的問(wèn)題，使得人工神網(wǎng)絡(luò)規(guī)模增大時(shí)會(huì)出現(xiàn)“梯度消失”問(wèn)題與其學(xué)生 Ruslan Salakhutdinov 的文章給次引起了眾多學(xué)者的關(guān)注和研究。近十年名的 ImageNet 圖像識(shí)別大賽中，深度學(xué)ce 項(xiàng)目取得成功，推動(dòng)了應(yīng)用落地；201現(xiàn)深度神經(jīng)網(wǎng)絡(luò)強(qiáng)大的計(jì)算推理能力。伴深度學(xué)習(xí)領(lǐng)域之中，現(xiàn)實(shí)生活之中也逐漸腦結(jié)構(gòu)而設(shè)計(jì)出來(lái)的模型，每個(gè)單元稱為神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)一般分為三層：輸入層、隱 2.1 所示：

圖 2.2 sigmoid 函數(shù)圖下幾個(gè)重要的概念：n）也可稱為節(jié)點(diǎn)，，指的是神經(jīng)網(wǎng)絡(luò)基本的計(jì)中神經(jīng)元中的數(shù)值代表其輸出。經(jīng)網(wǎng)絡(luò)中，最左邊的一列神經(jīng)單元統(tǒng)稱為輸 Bias；最右邊的一列神經(jīng)單元統(tǒng)稱為輸出層的稱為隱藏層，對(duì)應(yīng)的是運(yùn)算過(guò)程中的特征是神經(jīng)網(wǎng)絡(luò)中的一個(gè)重要的概念，在神經(jīng)網(wǎng)權(quán)重的數(shù)值進(jìn)行調(diào)整，使得計(jì)算結(jié)果盡可能是神經(jīng)元運(yùn)算的一個(gè)截距，控制著函數(shù)偏離ivation）通過(guò)仿造生物神經(jīng)細(xì)胞的反應(yīng)，神經(jīng)判斷，從而輸出正確的分類。激活函數(shù)一般
【學(xué)位授予單位】：廣州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：F832.51

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉雅芳;;量化選股與二次規(guī)劃在股票投資中的應(yīng)用——基于Matlab與SPSS[J];時(shí)代金融;2015年12期

2 陳懿冰;張玲玲;聶廣禮;石勇;;基于改進(jìn)的支持向量回歸機(jī)的金融時(shí)序預(yù)測(cè)[J];數(shù)學(xué)的實(shí)踐與認(rèn)識(shí);2012年04期

3 許年行;洪濤;吳世農(nóng);徐信忠;;信息傳遞模式、投資者心理偏差與股價(jià)“同漲同跌”現(xiàn)象[J];經(jīng)濟(jì)研究;2011年04期

4 蔡紅;陳榮耀;;基于PCA-BP神經(jīng)網(wǎng)絡(luò)的股票價(jià)格預(yù)測(cè)研究[J];計(jì)算機(jī)仿真;2011年03期

5 張亮;黃曙光;石昭祥;胡榮貴;;基于LSTM型RNN的CAPTCHA識(shí)別方法[J];模式識(shí)別與人工智能;2011年01期

6 侯成琪;徐緒松;;計(jì)量經(jīng)濟(jì)學(xué)方法之時(shí)間序列分析[J];技術(shù)經(jīng)濟(jì);2010年08期

7 滕云;賀春林;岳淼;;基于神經(jīng)網(wǎng)絡(luò)的語(yǔ)音識(shí)別研究[J];重慶師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年04期

8 伍海華,李道葉;非線性動(dòng)力學(xué)分析在股票市場(chǎng)中應(yīng)用—以上海股票市場(chǎng)為例[J];青島大學(xué)學(xué)報(bào)(工程技術(shù)版);2001年04期

9 陸金海;市場(chǎng)有效性理論研究綜述[J];經(jīng)濟(jì)學(xué)動(dòng)態(tài);2000年06期

10 李善民,徐沛;Markowitz投資組合理論模型應(yīng)用研究[J];經(jīng)濟(jì)科學(xué);2000年01期

相關(guān)博士學(xué)位論文 前1條

1 崔亮;投資者情緒的統(tǒng)計(jì)測(cè)評(píng)及其應(yīng)用研究[D];西南財(cái)經(jīng)大學(xué);2013年

相關(guān)碩士學(xué)位論文 前5條

1 榮馨兵;基于相似搜索的時(shí)間序列預(yù)測(cè)方法及其應(yīng)用[D];大連海事大學(xué);2018年

2 劉奕辰;我國(guó)股票市場(chǎng)行業(yè)內(nèi)各股價(jià)格聯(lián)動(dòng)效應(yīng)分析[D];北方工業(yè)大學(xué);2017年

3 孫瑞奇;基于LSTM神經(jīng)網(wǎng)絡(luò)的美股股指價(jià)格趨勢(shì)預(yù)測(cè)模型的研究[D];首都經(jīng)濟(jì)貿(mào)易大學(xué);2016年

4 何錚;中國(guó)股票市場(chǎng)的基本面與技術(shù)面聯(lián)合估價(jià)研究[D];湖南大學(xué);2013年

5 石磊;遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)在股市預(yù)測(cè)中的應(yīng)用[D];安徽大學(xué);2011年

本文編號(hào)：2624341