基于深度學(xué)習(xí)的股票市場預(yù)測模型和評估方法研究與應(yīng)用
發(fā)布時間：2021-12-02 08:14
伴隨著全球經(jīng)濟一體化進程飛速發(fā)展,股票市場在全球經(jīng)濟中扮演著越來越重要的角色,準(zhǔn)確的對股票市場進行預(yù)測具有重要的社會經(jīng)濟價值;股票市場擁有來源廣泛而異質(zhì)的海量數(shù)據(jù),這樣的數(shù)據(jù)特性為捕捉股票市場中的隱含規(guī)律和關(guān)聯(lián)進行準(zhǔn)確預(yù)測提出了新的挑戰(zhàn),其研究具有重要的學(xué)術(shù)價值。近年來,深度學(xué)習(xí)在計算機視覺、語音和自然語言處理等多個領(lǐng)域取得了令人矚目的進展,展示出其具有處理各種數(shù)據(jù)類型,特別是多尺度（秒分時天周等不同時間尺度）、多源（股票市場、社交網(wǎng)絡(luò)和門戶網(wǎng)站等不同來源）和異質(zhì)（數(shù)值、文本和圖像等不同形式）數(shù)據(jù)的強大能力,為預(yù)測具有多尺度、多來源且異質(zhì)特性的股票市場提供了強有力的工具。本文在深入研究股票市場預(yù)測問題的特點、廣泛分析已有相關(guān)研究工作的基礎(chǔ)上,針對股票市場預(yù)測技術(shù)的三個關(guān)鍵問題提出了一系列的解決方法,并在多個公開真實數(shù)據(jù)集上進行了有效性驗證。具體而言,本文的主要研究工作和成果包括:針對股票數(shù)據(jù)的多尺度特性,提出了一個多尺度循環(huán)卷積網(wǎng)絡(luò)（Multi-Scale Recurrent Convolutional Neural Network,MS-RCNN）模型進行股票市場預(yù)測。股票數(shù)據(jù)的多尺...
【文章來源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校
【文章頁數(shù)】：121 頁
【學(xué)位級別】：博士
【部分圖文】：
圖２－１循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)??
北京郵電大學(xué)工學(xué)博士學(xué)位論文???＼１／?＼１／??Ｉｎｐｕｔ?Ｇａｔｅ?（?ｌ?ｊ?Ｏｕｔｐｕｔ?Ｇａｔｅ?（?０?）??（＾??Ｖｓ??ｆ?ｆ?］?Ｆｏｒｇｅｔ?Ｇａｔｅ???Ｋ！ｌ???／ｌ＼??圖２－２長短時記憶結(jié)構(gòu)??如圖２－２所示，每個ＬＳＴＭ單元具有由三個門限（ｉｎｐｕｔ，ｆｏｒｇｅｔ和ｏｕｔｐｕｔ）??以及一個Ｃｅｌｌ單元，其隱變量更新公式如下：??／ｔ?＝?ｃｒ（＼Ａ＾［ｈｔ＿１，?ｘｔ］）??ｉｔ?＝?＾（ｙ＾ｉｌｈｔ－ｉ，ｘｔ］）??°ｔ?＝?＾ｔｌ）??Ｑｔ?＝?Ｑｔ－ｉ?＊?ｆｔ?＋?ｈ?＊（Ｗｃ［ｈｔ＿ｉ－＾ｔ］）??ｈｔ?＝?ｏｔ＊?ｔａｎｈ（Ｑｔ）?（２－３）??這里，；ｃｔ是ｔ時刻的輸入，＼是【時刻的隱變量，Ｑｔ是細(xì)胞單元ｔ時刻的值，??Ｗｐ分別是三個門限以及細(xì)胞單元更新所使用的參數(shù)。為了簡化表??達，公式中的偏置項被省略。ＬＳＴＭ通過門限操作來對當(dāng)前輸入信息以及歷史輸??入信息進行選擇和過濾，綜合考慮當(dāng)前和歷史的信息來更新細(xì)胞單元，從而更新??隱變量的值，在一些需要處理長序列輸入場景取得很好的效果而得到廣泛應(yīng)用，??如文本的序列標(biāo)注Ｍ以及文本分類［８７］等領(lǐng)域。??ＬＳＴＭ在更新隱變量的時候采用了非線性操作，在處理長序列的時候，多次??非線性操作會增加了模型的復(fù)雜程度導(dǎo)致模型隱變量學(xué)習(xí)的在某些場景下難以??學(xué)習(xí)或者需要大量數(shù)據(jù)才能學(xué)習(xí)到。??１８??
第二章基本相關(guān)信息??２．２．１．３門限循環(huán)單元模型??門限循環(huán)單元（Ｇａｔｅｄ?Ｒｅｃｕｒｒｅｎｔ?Ｕｎｉｔ，?ＧＲＵ）間相對ＬＳＴＭ結(jié)構(gòu)來說，其是??對ＬＳＴＭ的結(jié)構(gòu)進行簡化的同時保持解決長依賴問題以及訓(xùn)練時的梯度消失和??梯度爆照問題能力的一種循環(huán)祌經(jīng)網(wǎng)絡(luò)。如圖２－３所示，ＧＲＵ相對于ＬＳＴＭ合??并了輸入（ｉｎｐｕｔ）和遺忘（ｆｏｒｇｅｔ）門限（Ｇａｔｅ），減少了細(xì)胞單兀（Ｃｅｌｌ）。同時，??其隱變量更新改變?yōu)榫�性操作，而ＬＳＴＭ是非線性操作。??因此，ＧＲＵ參數(shù)規(guī)模更小，更加適合數(shù)據(jù)關(guān)系復(fù)雜程度不高的情況。在這??種復(fù)雜程度不高情況下，會比ＬＳＴＭ獲得更好的效果Ｉ８９］。其隱變量更新公式如??下：??ｒｔ?＝?ａ（Ｗｒｘｔ＋Ｕｒｈｔ＾）??ｚｔ?＝?ＣＴ＾Ｘｔ＋Ｕ＾ｔ＾）??ｈ＇ｔ?＝?ｔａｎｈ（Ｗｆｔｘｔ＋Ｕｒ（ｒｔ?＊?ｈｔ＿ｘ））??ｈｔ?＝?（１?＋?ｚｔｈ＇ｔ?（２－４）??０??—－０?——■——－ｈｔ??？?＿?＿?？???／Ｋ?Ａ??圖２－３門限循環(huán)單元結(jié)構(gòu)??１９??
本文編號：3528059
【文章來源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校
【文章頁數(shù)】：121 頁
【學(xué)位級別】：博士
【部分圖文】：
圖２－１循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)??
北京郵電大學(xué)工學(xué)博士學(xué)位論文???＼１／?＼１／??Ｉｎｐｕｔ?Ｇａｔｅ?（?ｌ?ｊ?Ｏｕｔｐｕｔ?Ｇａｔｅ?（?０?）??（＾??Ｖｓ??ｆ?ｆ?］?Ｆｏｒｇｅｔ?Ｇａｔｅ???Ｋ！ｌ???／ｌ＼??圖２－２長短時記憶結(jié)構(gòu)??如圖２－２所示，每個ＬＳＴＭ單元具有由三個門限（ｉｎｐｕｔ，ｆｏｒｇｅｔ和ｏｕｔｐｕｔ）??以及一個Ｃｅｌｌ單元，其隱變量更新公式如下：??／ｔ?＝?ｃｒ（＼Ａ＾［ｈｔ＿１，?ｘｔ］）??ｉｔ?＝?＾（ｙ＾ｉｌｈｔ－ｉ，ｘｔ］）??°ｔ?＝?＾ｔｌ）??Ｑｔ?＝?Ｑｔ－ｉ?＊?ｆｔ?＋?ｈ?＊（Ｗｃ［ｈｔ＿ｉ－＾ｔ］）??ｈｔ?＝?ｏｔ＊?ｔａｎｈ（Ｑｔ）?（２－３）??這里，；ｃｔ是ｔ時刻的輸入，＼是【時刻的隱變量，Ｑｔ是細(xì)胞單元ｔ時刻的值，??Ｗｐ分別是三個門限以及細(xì)胞單元更新所使用的參數(shù)。為了簡化表??達，公式中的偏置項被省略。ＬＳＴＭ通過門限操作來對當(dāng)前輸入信息以及歷史輸??入信息進行選擇和過濾，綜合考慮當(dāng)前和歷史的信息來更新細(xì)胞單元，從而更新??隱變量的值，在一些需要處理長序列輸入場景取得很好的效果而得到廣泛應(yīng)用，??如文本的序列標(biāo)注Ｍ以及文本分類［８７］等領(lǐng)域。??ＬＳＴＭ在更新隱變量的時候采用了非線性操作，在處理長序列的時候，多次??非線性操作會增加了模型的復(fù)雜程度導(dǎo)致模型隱變量學(xué)習(xí)的在某些場景下難以??學(xué)習(xí)或者需要大量數(shù)據(jù)才能學(xué)習(xí)到。??１８??
第二章基本相關(guān)信息??２．２．１．３門限循環(huán)單元模型??門限循環(huán)單元（Ｇａｔｅｄ?Ｒｅｃｕｒｒｅｎｔ?Ｕｎｉｔ，?ＧＲＵ）間相對ＬＳＴＭ結(jié)構(gòu)來說，其是??對ＬＳＴＭ的結(jié)構(gòu)進行簡化的同時保持解決長依賴問題以及訓(xùn)練時的梯度消失和??梯度爆照問題能力的一種循環(huán)祌經(jīng)網(wǎng)絡(luò)。如圖２－３所示，ＧＲＵ相對于ＬＳＴＭ合??并了輸入（ｉｎｐｕｔ）和遺忘（ｆｏｒｇｅｔ）門限（Ｇａｔｅ），減少了細(xì)胞單兀（Ｃｅｌｌ）。同時，??其隱變量更新改變?yōu)榫�性操作，而ＬＳＴＭ是非線性操作。??因此，ＧＲＵ參數(shù)規(guī)模更小，更加適合數(shù)據(jù)關(guān)系復(fù)雜程度不高的情況。在這??種復(fù)雜程度不高情況下，會比ＬＳＴＭ獲得更好的效果Ｉ８９］。其隱變量更新公式如??下：??ｒｔ?＝?ａ（Ｗｒｘｔ＋Ｕｒｈｔ＾）??ｚｔ?＝?ＣＴ＾Ｘｔ＋Ｕ＾ｔ＾）??ｈ＇ｔ?＝?ｔａｎｈ（Ｗｆｔｘｔ＋Ｕｒ（ｒｔ?＊?ｈｔ＿ｘ））??ｈｔ?＝?（１?＋?ｚｔｈ＇ｔ?（２－４）??０??—－０?——■——－ｈｔ??？?＿?＿?？???／Ｋ?Ａ??圖２－３門限循環(huán)單元結(jié)構(gòu)??１９??
本文編號：3528059
本文鏈接：http://www.sikaile.net/shoufeilunwen/jjglbs/3528059.html
最近更新
教材專著
