股價(jià)預(yù)測(cè)是時(shí)間序列預(yù)測(cè)中最具挑戰(zhàn)性的問(wèn)題之一,研究股價(jià)預(yù)測(cè)問(wèn)題具有重要的理論意義和應(yīng)用價(jià)值。人工神經(jīng)網(wǎng)絡(luò)因?yàn)榫哂袕?qiáng)大的自學(xué)習(xí)能力,并且比傳統(tǒng)的統(tǒng)計(jì)學(xué)和計(jì)量經(jīng)濟(jì)學(xué)模型的效果更優(yōu),所以被廣泛應(yīng)用于股票市場(chǎng)分析與預(yù)測(cè)。近年來(lái),以人工神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的深度學(xué)習(xí)算法得到快速發(fā)展,在語(yǔ)音、圖像等領(lǐng)域取得了巨大的成功,但是卻很少被應(yīng)用于股票市場(chǎng)研究。目前,以自動(dòng)編碼器為代表的深度學(xué)習(xí)算法在預(yù)測(cè)問(wèn)題上取得了顯著的成就。自動(dòng)編碼器一般采用兩階段的學(xué)習(xí)框架:1)無(wú)監(jiān)督學(xué)習(xí)深度特征;2)有監(jiān)督的預(yù)測(cè)。該框架既能發(fā)揮深度學(xué)習(xí)算法在特征學(xué)習(xí)的優(yōu)勢(shì),又能取得良好的預(yù)測(cè)性能。論文引入以自動(dòng)編碼器為代表的深度學(xué)習(xí)框架研究了股價(jià)短期預(yù)測(cè)問(wèn)題,主要研究工作如下:1.為了全面地考慮與股價(jià)相關(guān)的因素,論文選取收盤(pán)價(jià)、開(kāi)盤(pán)價(jià)、最高價(jià)、最低價(jià)以及技術(shù)指標(biāo)共36個(gè)指標(biāo),建立股價(jià)短期預(yù)測(cè)的指標(biāo)體系。2.在無(wú)監(jiān)督的特征學(xué)習(xí)階段,針對(duì)股價(jià)數(shù)據(jù)的高維度、高噪音等特點(diǎn),為了對(duì)數(shù)據(jù)進(jìn)行降維和降噪,論文結(jié)合收縮自動(dòng)編碼器的特點(diǎn),改進(jìn)非完備自動(dòng)編碼器;為了學(xué)習(xí)股價(jià)的深度特征,論文以改進(jìn)的自動(dòng)編碼器為基礎(chǔ),建立了堆棧式收縮自動(dòng)編碼器（SCAEs）的無(wú)... 

【文章來(lái)源】：重慶大學(xué)重慶市 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
中文摘要
英文摘要
1 緒論
    1.1 研究背景與意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 文獻(xiàn)研究現(xiàn)狀綜述
        1.2.1 國(guó)外研究文獻(xiàn)現(xiàn)狀
        1.2.2 國(guó)內(nèi)研究文獻(xiàn)現(xiàn)狀
    1.3 論文的研究思路和研究?jī)?nèi)容
        1.3.1 研究思路
        1.3.2 研究工作
2 股價(jià)短期預(yù)測(cè)的理論與方法
    2.1 股價(jià)短期預(yù)測(cè)指標(biāo)體系
    2.2 股價(jià)預(yù)測(cè)的難點(diǎn)
    2.3 股價(jià)預(yù)測(cè)的常用方法
3 自動(dòng)編碼器概述
    3.1 人工神經(jīng)網(wǎng)絡(luò)模型
        3.1.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        3.1.2 反向傳播算法
        3.1.3 BP神經(jīng)網(wǎng)絡(luò)的局限性
    3.2 自動(dòng)編碼器算法
        3.2.1 自動(dòng)編碼器概述
        3.2.2 自動(dòng)編碼器類(lèi)型
    3.3 堆棧式自動(dòng)編碼器
        3.3.1 無(wú)監(jiān)督預(yù)訓(xùn)練
        3.3.2 模型微調(diào)
4 循環(huán)神經(jīng)網(wǎng)絡(luò)
    4.1 循環(huán)神經(jīng)網(wǎng)絡(luò)
        4.1.1 循環(huán)神經(jīng)網(wǎng)絡(luò)原理
        4.1.2 循環(huán)神經(jīng)網(wǎng)絡(luò)理論分析
        4.1.3 循環(huán)神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)和問(wèn)題
    4.2 長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)
        4.2.1 長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)理論分析
        4.2.2 長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)模型的優(yōu)勢(shì)及問(wèn)題
5 基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的股價(jià)短期預(yù)測(cè)分析
    5.1 基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的深度學(xué)習(xí)模型
        5.1.1 模型結(jié)構(gòu)
        5.1.2 數(shù)據(jù)準(zhǔn)備
        5.1.3 評(píng)價(jià)指標(biāo)
        5.1.4 研究工具
    5.2 堆棧式收縮自動(dòng)編碼器結(jié)構(gòu)設(shè)計(jì)和參數(shù)選擇
        5.2.1 隱藏層節(jié)點(diǎn)數(shù)的影響
        5.2.2 正則化參數(shù)的影響
    5.3 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)和參數(shù)選擇
        5.3.1 cell神經(jīng)元數(shù)目對(duì)精度的影響
        5.3.2 激活函數(shù)對(duì)精度的影響
    5.4 基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)股價(jià)短期預(yù)測(cè)模型
        5.4.1 SCAEs-LSTM算法在股價(jià)短期預(yù)測(cè)的實(shí)證分析
        5.4.2 幾種預(yù)測(cè)方法的對(duì)比分析
6 結(jié)論與展望
    6.1 研究結(jié)論
    6.2 研究展望
致謝
參考文獻(xiàn)
附錄
    A.作者在攻讀碩士期間發(fā)表論文


【參考文獻(xiàn)】：
期刊論文
[1]股票價(jià)格短期預(yù)測(cè)的LM遺傳神經(jīng)網(wǎng)絡(luò)算法[J]. 肖菁,潘中亮.  計(jì)算機(jī)應(yīng)用. 2012(S1)
[2]基于遺傳神經(jīng)網(wǎng)絡(luò)的股票價(jià)格短期預(yù)測(cè)[J]. 孫全,朱江.  計(jì)算機(jī)工程與應(yīng)用. 2002(05)

碩士論文
[1]基于模糊深度學(xué)習(xí)網(wǎng)絡(luò)算法的短期股價(jià)預(yù)測(cè)[D]. 劉慶玲.哈爾濱工業(yè)大學(xué) 2016
[2]基于神經(jīng)網(wǎng)絡(luò)的股票預(yù)測(cè)[D]. 俞福福.哈爾濱工業(yè)大學(xué) 2016
[3]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]. 孫瑞奇.首都經(jīng)濟(jì)貿(mào)易大學(xué) 2016
[4]基于BP神經(jīng)網(wǎng)絡(luò)的股票指數(shù)期貨價(jià)格預(yù)測(cè)[D]. 李聰.青島大學(xué) 2012
[5]基于小波分析與神經(jīng)網(wǎng)絡(luò)的股票市場(chǎng)預(yù)測(cè)應(yīng)用研究[D]. 潘林.武漢理工大學(xué) 2006



本文編號(hào)：2921428