發(fā)布時間：2020-05-28 12:00

【摘要】：深度神經(jīng)網(wǎng)絡(luò)算法是近幾年機器學(xué)習(xí)領(lǐng)域的一個熱門話題。最早人工神經(jīng)網(wǎng)絡(luò)起源于上世紀(jì)40年代,專注于工程應(yīng)用領(lǐng)域。直到深度網(wǎng)絡(luò)的概念的出現(xiàn),深度神經(jīng)網(wǎng)絡(luò)成為了新的寵兒,在圖片識別、語音識別等領(lǐng)域應(yīng)用頗多。目前,處理時序數(shù)據(jù)首選當(dāng)是循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN),當(dāng)應(yīng)用數(shù)據(jù)涉及某些順序機器學(xué)習(xí)任務(wù)時,RNN由于其具有有限短期記憶的優(yōu)勢,可以達(dá)到很高的精度。而從原理上講,1997年,在第一代RNN網(wǎng)絡(luò)中引入了基于LSTM的架構(gòu)后,LSTM神經(jīng)網(wǎng)絡(luò)模型大大的提高了網(wǎng)絡(luò)精度。本文嘗試將其應(yīng)用在金融市場預(yù)測當(dāng)中,研究一種更為有效地股市預(yù)測模型。本文基于LSTM神經(jīng)網(wǎng)絡(luò)模型對股票漲跌進行設(shè)計建模,在模型設(shè)計方面,考慮了不同的組合,以提高精度為訴求。并且,對模型的訓(xùn)練實例也提供不同的參考樣本,以行業(yè)為分界線做實證研究,對比模型訓(xùn)練預(yù)測效果。針對輸入特征,本文提取了個股行情指標(biāo)、大盤行情指標(biāo)、財務(wù)估值指標(biāo),分別將其及其組合作為網(wǎng)絡(luò)的輸入變量,作對比分析;同時還引入牛熊市周期的對比。模型網(wǎng)絡(luò)結(jié)構(gòu)方面,本文默認(rèn)采用一層隱含層,過程中通過不斷調(diào)整隱含層節(jié)點數(shù)來選擇最佳模型結(jié)構(gòu)。參數(shù)設(shè)置方面,針對學(xué)習(xí)率、迭代次數(shù)進行修改,選出最佳適應(yīng)參數(shù)。同時本文所建立的LSTM神經(jīng)網(wǎng)絡(luò)模型是基于Adam算法模型進行優(yōu)化。最后,我們使用該模型進行了量化回測,實證結(jié)果顯示,該模型在股市預(yù)測中已經(jīng)能取得了一定的實證效果。這也印證了該模型的有效性。
【圖文】：

技術(shù)路線圖

它可以捕捉所有之前的信息。我們都知道，一般的神經(jīng)網(wǎng)絡(luò)模型由輸入層、隱含層以及輸出層構(gòu)成，，如圖4.1 所示。圖 4.1 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)正如我們之前所說，RNN 有定向循環(huán)處理器，它可以使得之前的輸入影響
【學(xué)位授予單位】：上海師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP183;F832.51

【相似文獻】

相關(guān)期刊論文 前10條

1 祖來克孜·米吉提;;神經(jīng)網(wǎng)絡(luò)模型在分類與預(yù)測中的應(yīng)用研究[J];喀什大學(xué)學(xué)報;2018年03期

2 陳海華;;基于神經(jīng)網(wǎng)絡(luò)模型的高速公路交通量短時預(yù)測方法[J];中國交通信息化;2017年08期

3 李峗妮;;神經(jīng)網(wǎng)絡(luò)模型在銀行互聯(lián)網(wǎng)金融反欺詐中的應(yīng)用探索[J];金融科技時代;2018年08期

4 花廣如;李文浩;郭陽陽;;基于神經(jīng)網(wǎng)絡(luò)模型的海南變電站接地網(wǎng)Q235鋼腐蝕率預(yù)測[J];腐蝕與防護;2017年08期

5 周靜;周正松;高e

本文編號：2685211