對(duì)股票價(jià)格的準(zhǔn)確預(yù)測(cè)一方面有助于決策者判斷當(dāng)前的經(jīng)濟(jì)形勢(shì),另一方面有助于投資者獲取收益。但是對(duì)股票價(jià)格進(jìn)行準(zhǔn)確預(yù)測(cè)是非常困難的,因?yàn)楣善眱r(jià)格是非平穩(wěn)、非線性且隨機(jī)游走的時(shí)間序列,難以用傳統(tǒng)的時(shí)間序列模型擬合。隨著神經(jīng)網(wǎng)絡(luò)的快速發(fā)展,神經(jīng)網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)能力使其在很多領(lǐng)域都大放異彩,很多學(xué)者研發(fā)出各種神經(jīng)網(wǎng)絡(luò)模型用于股票市場(chǎng)的預(yù)測(cè),包括多層感知機(jī)模型、卷積神經(jīng)網(wǎng)絡(luò)模型以及專門預(yù)測(cè)時(shí)間序列的遞歸神經(jīng)網(wǎng)絡(luò)模型等等,但是這些模型存在特征提取困難、預(yù)測(cè)精度較低和解釋力較弱等問(wèn)題。為了解決這些問(wèn)題,本文將注意力機(jī)制引入遞歸神經(jīng)網(wǎng)絡(luò)模型,注意力機(jī)制可以給各時(shí)間維度的信息賦予不同權(quán)重,區(qū)分不同信息對(duì)預(yù)測(cè)的重要程度,從而提升遞歸網(wǎng)絡(luò)模型的可解釋性和預(yù)測(cè)精度。在實(shí)證部分,本文分別構(gòu)造了多層感知機(jī)模型、卷積神經(jīng)網(wǎng)絡(luò)模型、循環(huán)神經(jīng)網(wǎng)絡(luò)模型、長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型、門控循環(huán)單元網(wǎng)絡(luò)模型、基于注意力機(jī)制的循環(huán)神經(jīng)網(wǎng)絡(luò)模型、基于注意力機(jī)制的長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型和基于注意力機(jī)制的門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)模型,針對(duì)上證綜指做收盤價(jià)的預(yù)測(cè),并在不同的參數(shù)條件下做了大量的對(duì)比試驗(yàn),一方面探究注意力機(jī)制對(duì)神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)性能的影... 

【文章來(lái)源】：中國(guó)科學(xué)技術(shù)大學(xué)安徽省 211工程院校 985工程院校

【文章頁(yè)數(shù)】：59 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１多層感知機(jī)結(jié)構(gòu)??如圖１所示，輸入層與隱含層之間、隱含層與隱含層之間、隱含層與輸出??層之間是全連接的，即上一層的所有神經(jīng)元均與下一層的所有神經(jīng)元連接

圖６局部連接和權(quán)值共享??

?第３章模型介紹???圖６局部連接和權(quán)值共享??池化層也稱為下采樣層，其目的主要是保留顯著特征、特征降維、數(shù)據(jù)壓??縮、減少過(guò)擬合和提高模型的容錯(cuò)性。最大池化和均值池化是最為常見的池化??過(guò)程，最大池化是指將局部區(qū)域內(nèi)的最大值當(dāng)作最終的輸出值，均值池化是指??計(jì)算局部區(qū)域內(nèi)所有值的平均值當(dāng)作最終的輸出值，ｆｅａｔｕｒｅ?ｍａｐ池化后得到的??矩陣稱為ｐｏｏｌ?ｍａｐ。池化層有三個(gè)特征：首先使得ｆｅａｔｕｒｅ?ｍａｐ降維，降低了網(wǎng)絡(luò)??計(jì)算的復(fù)雜度；其次池化層不會(huì)對(duì)權(quán)值進(jìn)行更新，即池化過(guò)程不會(huì)增加額外的??運(yùn)算量；最后池化單元具有平移不變性，輸入數(shù)據(jù)發(fā)生微小偏差時(shí)，池化仍會(huì)??返回相同的結(jié)果，以此提升魯棒性和精度。??ａｘ?ａ２?ｂ１?ｂ２?最大池化?一，??Ｉ???ｍａｘ??＾３?ａ４?＾３??Ｘ???ｃｉ?ｃ２?ｄ２?二“ｒ“＞????均值池化?Ｋ????卜４?Ｉ?ｄ３?Ｉ?ｄ４?｜?丨?―??圖７最大池化和均值池化??３．２．１卷積神經(jīng)網(wǎng)絡(luò)的前向傳導(dǎo)??假設(shè)有２個(gè)卷積層和２個(gè)池化層，卷積層的輸入是３０Ｘ３０的矩陣Ｍ，卷??積核是３Ｘ３的矩陣，卷積核的數(shù)量為Ｋ個(gè)，池化窗口為２Ｘ２。??在第一個(gè)卷積層，輸入矩陣經(jīng)過(guò)卷積核的卷積生成Ｋ個(gè)２８Ｘ２８大小的??ｆｅａｔｕｒｅ?ｍａｐｓ：??１８??

【參考文獻(xiàn)】：
期刊論文
[1]基于多粒度時(shí)間注意力RNN的航班客座率預(yù)測(cè)[J]. 鄧玉婧,武志昊,林友芳.  計(jì)算機(jī)工程. 2020(01)
[2]GRU遞歸神經(jīng)網(wǎng)絡(luò)對(duì)股票收盤價(jià)的預(yù)測(cè)研究[J]. 黎鐳,陳藹祥,李偉書,梁偉琪,楊思桐.  計(jì)算機(jī)與現(xiàn)代化. 2018(11)
[3]基于分類的中文文本摘要方法[J]. 龐超,尹傳環(huán).  計(jì)算機(jī)科學(xué). 2018(01)
[4]基于注意力機(jī)制的LSTM的語(yǔ)義關(guān)系抽取[J]. 王紅,史金釧,張志偉.  計(jì)算機(jī)應(yīng)用研究. 2018(05)
[5]時(shí)間序列模型和神經(jīng)網(wǎng)絡(luò)模型在股票預(yù)測(cè)中的分析[J]. 劉海玥,白艷萍.  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2011(04)



本文編號(hào)：3246232