金融市場是一個典型的復雜系統(tǒng),它既包含很多子市場,又同時與很多市場相關聯(lián)。在上世紀初,人們乃至許多學者都認為這個復雜系統(tǒng)難以衡量和研究,于是早期的經(jīng)濟學、金融學理論大都建立在簡化的系統(tǒng)之上,如資本資產(chǎn)定價模型（CAPM）建立在市場中存在大量同質(zhì)的理性投資者等嚴格的假設上,隨著學者們的不斷研究,經(jīng)濟學金融學理論逐漸發(fā)展完善。直到今天,CAPM模型仍然活躍在很多課堂乃至于工作中,告知了我們金融市場這一復雜系統(tǒng)值得研究。隨著時代的發(fā)展,金融市場同樣在發(fā)展,各種新興創(chuàng)新的金融產(chǎn)品及市場機制都被提出并應用。傳統(tǒng)的市場理論如市場有效假說EMH等都存在各種問題并難以解釋,而利用金融市場時序數(shù)據(jù)預測模型能夠幫助揭示金融市場的內(nèi)在運行規(guī)律,凸顯特殊新興的要素來認識市場,并利用其監(jiān)管市場,具有十分重大的理論價值;而利用預測模型預測趨勢結(jié)果能夠幫助投資者們選擇投資時機,預期投資風險和結(jié)果,更好地實現(xiàn)投資效率,具備一定的現(xiàn)實意義。面對如今日益復雜演化的金融市場,傳統(tǒng)預測模型雖然理論上仍然有不錯的效果,但在實際應用與判別市場未來趨勢上,卻難以做到切實有效。而機器學習和數(shù)據(jù)挖掘領域中愈發(fā)火熱,頗具代表性的深度學習... 

【文章來源】：重慶工商大學重慶市

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【部分圖文】：

自編碼器的編碼與解碼過程

圖 3.2 棧式自編碼神經(jīng)網(wǎng)絡的模型架構(gòu)3.2.3.3 自編碼器的學習算法傳統(tǒng)反向傳播 BP(Back Propagation)算法在神經(jīng)網(wǎng)絡訓練中被廣泛使用。單層自編碼器也選擇了使用反向傳播算法，即首先正向地通過式 4-1 和式 4-2

梯度下降法原理圖

【參考文獻】：
期刊論文
[1]基于深度學習支持向量機的上證指數(shù)預測[J]. 張晶華,甘宇健.  統(tǒng)計與決策. 2019(02)
[2]金融安全背景下的證券市場穩(wěn)定測度新方法——基于大數(shù)據(jù)支持向量機的市場預測與套利價值度量研究[J]. 歐陽天皓,盧曉勇.  財經(jīng)理論與實踐. 2019(01)
[3]基于混合神經(jīng)網(wǎng)絡模型預測下的統(tǒng)計套利研究[J]. 鄧曉衛(wèi),章鋮斌.  統(tǒng)計與決策. 2019(01)
[4]我國豬肉價格趨勢變動及其預測——基于Elman神經(jīng)網(wǎng)絡模型的分析[J]. 馮叔君,陳芳.  價格理論與實踐. 2018(06)
[5]基于非線性時間序列模型的股票分析與預測[J]. 常月,馮宇旭,曹顯兵.  數(shù)學的實踐與認識. 2018(22)
[6]基于樹結(jié)構(gòu)長短期記憶神經(jīng)網(wǎng)絡的金融時間序列預測[J]. 姚小強,侯志森.  計算機應用. 2018(11)
[7]基于BP神經(jīng)網(wǎng)絡和遺傳算法的污水處理廠電耗預測[J]. 謝武明,李俊,周峰平,畢小林,陳冬冬,吳志京,馬峽珍,張寧.  水電能源科學. 2018(08)
[8]基于人工神經(jīng)網(wǎng)絡對債券凈價估值的預測及實證[J]. 董成.  債券. 2018(07)
[9]FEPA-金融時間序列自適應組合預測模型[J]. 潘和平,張承釗.  中國管理科學. 2018(06)
[10]基于新維無偏灰色RBF神經(jīng)網(wǎng)絡的居民消費價格指數(shù)預測模型[J]. 黃洋,魯海燕,程畢蕓,許凱波.  統(tǒng)計與決策. 2018(10)

碩士論文
[1]深度學習的惡意代碼分析與檢測技術研究[D]. 羅世奇.新疆大學 2018
[2]基于ARIMA模型企業(yè)價值評估中企業(yè)自由現(xiàn)金流量的預測[D]. 張琦.河北經(jīng)貿(mào)大學 2018
[3]EMD-ARIMA模型及其在小商品價格指數(shù)預測中的應用研究[D]. 吳文奕.江西財經(jīng)大學 2017
[4]我國投資者情緒對股票價值溢價的影響研究[D]. 張遲盼.中國海洋大學 2015
[5]基于ARIMA模型的畜產(chǎn)品價格預測系統(tǒng)的研究[D]. 吳敬婷.東北農(nóng)業(yè)大學 2012



本文編號：3454731