股市是國家經(jīng)濟的晴雨表,可以在一定程度上反映經(jīng)濟的穩(wěn)定性和健康程度,在國家經(jīng)濟體系中具有重要地位。如何能較為準確地預測股票價格及走勢是當今產(chǎn)業(yè)界和學術界面臨的一項重要難題。以深度學習為代表的人工智能技術目前正在被廣泛應用于各個領域,其中在金融領域有著廣闊的應用前景。深度學習具有從海量數(shù)據(jù)中學習數(shù)據(jù)規(guī)律的能力,本文借鑒了股票技術分析中使用指標預測價格的思想,設計了一套基于深度神經(jīng)網(wǎng)絡的股票預測模型,模型由兩部分組成:特征提取部分和股票預測部分,特征提取模型基于深度自編碼器構(gòu)建,用于從股票的指標數(shù)據(jù)中提取特征來表示股票當前的狀態(tài),預測模型基于長短時記憶神經(jīng)網(wǎng)絡構(gòu)建,可以根據(jù)歷史狀態(tài)預測當前價格。最后使用了dropout和L2正則化方法優(yōu)化模型,減小模型過擬合的風險。本文使用釀酒板塊的數(shù)據(jù)構(gòu)建數(shù)據(jù)集,并設計了多組實驗驗證模型效果。首先構(gòu)建了不同深度的自編碼器,以預測精度和重構(gòu)誤差為標準比較其編碼效果;其次比較了本模型與其他特征提取方法的提取效果,以主成分分析法(PCA)和因子分析法(FA)作為比較對象,深入分析了不同方法的差異;最后比較了本模型與其他預測模型的預測效果和運行時間。實驗表明,本... 

【文章來源】：貴州大學貴州省 211工程院校

【文章頁數(shù)】：75 頁

【學位級別】：碩士

【部分圖文】：

不同深度編碼器編碼預測誤差結(jié)果

41（c）自編碼器提取的特征編碼圖 4-3 股票數(shù)據(jù)降維后的編碼序列直觀分析圖 4-3 中的特征序列可以得到一些初步結(jié)論，使用 PCA 提取出的序列并沒有表現(xiàn)出明顯的股價走勢特征，特征較為雜亂，使用 FA 提取出的

貴州大學碩士研究生學位論文看出大致的趨勢特征，使用自編碼器提取出的編碼序列已可以推測使用自編碼器提取的特征預測股票效果最好。以上推測，本文使用上述三種方法提取出的特征序列組票預測模型，并從中拿出了少量數(shù)據(jù)組成測試集，測試三測結(jié)果如圖 4-4 所示：

【參考文獻】：
期刊論文
[1]基于PCA-FOA-SVR的股票價格預測研究[J]. 王衛(wèi)紅,卓鵬宇.  浙江工業(yè)大學學報. 2016(04)
[2]基于馬爾科夫狀態(tài)轉(zhuǎn)換和跳躍的高頻波動率模型預測[J]. 馬鋒,魏宇,黃登仕,夏澤安.  系統(tǒng)工程. 2016(01)



本文編號：2942035