股票時(shí)間序列是一種常見(jiàn)的非線性時(shí)間序列,現(xiàn)有的股票時(shí)間序列預(yù)測(cè)研究主要集中在對(duì)股票的多個(gè)技術(shù)指標(biāo)中單一變量的預(yù)測(cè)研究方面,大多學(xué)者只用某種具體方法對(duì)股票技術(shù)指標(biāo)之一的預(yù)測(cè)應(yīng)用進(jìn)行探索,并沒(méi)有考慮到多個(gè)指標(biāo)對(duì)單一輸出的聯(lián)合影響,更沒(méi)用構(gòu)建一套系統(tǒng)可行的股票價(jià)格時(shí)間序列預(yù)測(cè)建模體系。隨著機(jī)器學(xué)習(xí)算法的發(fā)展,神經(jīng)網(wǎng)絡(luò)模型的廣泛應(yīng)用,針對(duì)股票時(shí)間序列數(shù)據(jù)所具有的高噪聲、非線性、影響因素復(fù)雜等特點(diǎn),本文分析當(dāng)前廣泛應(yīng)用于非線性時(shí)間序列預(yù)測(cè)的前饋神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法存在的問(wèn)題,借助新的理論和方法提出基于反饋神經(jīng)網(wǎng)絡(luò)的LSTM多尺度非線性時(shí)間序列預(yù)測(cè)模型,并將其運(yùn)用在股票時(shí)間序列的預(yù)測(cè)中,實(shí)驗(yàn)深入挖掘股票時(shí)間序列中的固有規(guī)律,為新型神經(jīng)網(wǎng)絡(luò)技術(shù)在股票時(shí)間序列預(yù)測(cè)分析中的應(yīng)用研究提供一定的價(jià)值。論文首先對(duì)前饋BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行研究,對(duì)影響其預(yù)測(cè)性能的內(nèi)部網(wǎng)絡(luò)參數(shù)進(jìn)行分析,選取收盤(pán)價(jià)這一單尺度作為網(wǎng)絡(luò)的輸入,建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。實(shí)驗(yàn)結(jié)果表明,當(dāng)歷史數(shù)據(jù)集的輸入維度一定時(shí),隱含層節(jié)點(diǎn)的設(shè)置對(duì)其預(yù)測(cè)性能有明顯的影響。而歷史訓(xùn)練數(shù)據(jù)集足夠大時(shí),相同輸入維度下的網(wǎng)絡(luò)誤差對(duì)隱含層節(jié)點(diǎn)的設(shè)置并不敏感。在此基... 

【文章來(lái)源】：蘭州交通大學(xué)甘肅省

【文章頁(yè)數(shù)】：59 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

研究技術(shù)路線圖

典 BP 神經(jīng)網(wǎng)絡(luò)基本原理工神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)概念的一個(gè)主要應(yīng)用工具。它是人類神經(jīng)系統(tǒng)的一其中包含一系列可以通過(guò)軸突相互通信的神經(jīng)元，它們可以通過(guò)實(shí)例進(jìn)行提高性能，是一種自適應(yīng)學(xué)習(xí)系統(tǒng)。第一個(gè)人工神經(jīng)元由麥卡洛克和皮提出，旨在為神經(jīng)活動(dòng)建立計(jì)算模型。之后的很多學(xué)者又對(duì)該模型進(jìn)行了比如馮·諾依曼的數(shù)字計(jì)算機(jī)、馬文·明斯基和弗蘭克·羅森布拉特提等[29]。其中應(yīng)用最為廣泛的便是 BP 神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural ，它是一種多層網(wǎng)絡(luò)的誤差反向傳播算法。常見(jiàn)的 BP 神經(jīng)網(wǎng)絡(luò)一般由輸和輸出層三層結(jié)構(gòu)組成(圖 2.1)。目前，在人工神經(jīng)網(wǎng)絡(luò)的眾多應(yīng)用實(shí)例是采用 BP 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)或是它的變化形式，這也是前饋型神經(jīng)網(wǎng)絡(luò)的體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)最精華的部分。

蘭州交通大學(xué)碩士學(xué)位論文當(dāng)梯度不再下降或達(dá)到訓(xùn)練約束時(shí)，則停止更新權(quán)值，結(jié)束整個(gè)訓(xùn)練過(guò)程，然好的網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)分析。從上式可以看出學(xué)習(xí)率 的選取對(duì)算法的效果起到了用。一方面，如果 過(guò)小，則權(quán)值會(huì)移動(dòng)的非常緩慢，收斂將會(huì)非常的耗時(shí)。，如果 過(guò)大，則可能出現(xiàn)梯度值呈現(xiàn)波浪形而難以收斂。

【參考文獻(xiàn)】：
期刊論文
[1]貝葉斯神經(jīng)網(wǎng)絡(luò)在股票時(shí)間序列預(yù)測(cè)中的應(yīng)用[J]. 劉恒,侯越.  計(jì)算機(jī)工程與應(yīng)用. 2019(12)
[2]基于多時(shí)間尺度RNN的時(shí)序數(shù)據(jù)預(yù)測(cè)[J]. 李潔,林永峰.  計(jì)算機(jī)應(yīng)用與軟件. 2018(07)
[3]深度學(xué)習(xí)原理及應(yīng)用綜述[J]. 付文博,孫濤,梁藉,閆寶偉,范福新.  計(jì)算機(jī)科學(xué). 2018(S1)
[4]水平窗口能量計(jì)算的股市趨勢(shì)預(yù)測(cè)算法[J]. 劉裕國(guó),王浩,姚宏亮,李俊照.  計(jì)算機(jī)工程與應(yīng)用. 2017(21)
[5]基于非線性分位數(shù)回歸模型的多期VaR風(fēng)險(xiǎn)測(cè)度[J]. 許啟發(fā),張金秀,蔣翠俠.  中國(guó)管理科學(xué). 2015(03)
[6]基于新時(shí)期滬深300指數(shù)的歷史模擬法VaR風(fēng)險(xiǎn)度量[J]. 甘霖.  區(qū)域金融研究. 2014(03)
[7]基于小波分析與神經(jīng)網(wǎng)絡(luò)時(shí)間序列的股票預(yù)測(cè)方法[J]. 王剛,許曉兵.  金融經(jīng)濟(jì). 2013(12)
[8]自回歸模型的自回歸分析及其應(yīng)用[J]. 呂效國(guó),王金華,馬阿芹,索淑文.  揚(yáng)州大學(xué)學(xué)報(bào)(自然科學(xué)版). 2010(03)
[9]基于相空間重構(gòu)理論與遞歸神經(jīng)網(wǎng)絡(luò)相結(jié)合的股票短期預(yù)測(cè)方法[J]. 馬千里,鄭啟倫,彭宏,鐘譚衛(wèi).  計(jì)算機(jī)應(yīng)用研究. 2007(04)
[10]基于Levenberg-Marquardt算法的神經(jīng)網(wǎng)絡(luò)監(jiān)督控制[J]. 趙弘,周瑞祥,林廷圻.  西安交通大學(xué)學(xué)報(bào). 2002(05)

博士論文
[1]基于深度學(xué)習(xí)的網(wǎng)絡(luò)流量分類及異常檢測(cè)方法研究[D]. 王偉.中國(guó)科學(xué)技術(shù)大學(xué) 2018

碩士論文
[1]基于神經(jīng)網(wǎng)絡(luò)方法的A股市場(chǎng)多因子選股策略研究[D]. 吳玉海.電子科技大學(xué) 2018
[2]基于數(shù)據(jù)挖掘技術(shù)的股價(jià)預(yù)測(cè)研究[D]. 潘曉東.青島大學(xué) 2018
[3]基于相關(guān)性的股票價(jià)格預(yù)測(cè)模型研究[D]. 寧苡鶴.北京郵電大學(xué) 2018
[4]深度學(xué)習(xí)在移動(dòng)業(yè)務(wù)預(yù)測(cè)中的研究與應(yīng)用[D]. 王思遠(yuǎn).北京郵電大學(xué) 2018
[5]基于LSTM和灰色模型集成的短期交通流預(yù)測(cè)[D]. 談苗苗.南京郵電大學(xué) 2017
[6]人工神經(jīng)網(wǎng)絡(luò)在股票預(yù)測(cè)中的應(yīng)用研究[D]. 肖琪.華南理工大學(xué) 2017
[7]激活函數(shù)導(dǎo)向的RNN算法優(yōu)化[D]. 張堯.浙江大學(xué) 2017
[8]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
[9]金融時(shí)間序列的時(shí)序性特點(diǎn)分析及相應(yīng)的風(fēng)險(xiǎn)測(cè)度方法研究[D]. 何洋.哈爾濱工業(yè)大學(xué) 2015
[10]中國(guó)股市技術(shù)分析有效性研究[D]. 包懿.上海交通大學(xué) 2015



本文編號(hào)：3290953