基于栈式自编码器神经网络的股价预测

发布时间：2023-12-23 16:38

　　股票市场自诞生以来,已经成为金融业必不可少的一部分,一直受到投资者以及金融管理者的高度关注,股票价格的预测已经成为无数研究者和投资者关注的重点。影响股票市场的因素众多复杂且具有非线性的特征,因此研究出一种精确度更高的股票价格预测模型具有十分重要的理论意义和应用价值。随着大数据时代的到来,计算机并行计算能力发展迅速,机器学习中的深度学习已然成为金融领域中的应用前沿。本文利用深度学习中的栈式自编码器神经网络SAE对股票价格进行预测研究。首先通过具有无监督学习机制的自编码器对股票价格时间序列进行特征提取,再利用逐层贪婪训练算法逐个训练自编码器,然后将模型学习到的参数作为整个网络的初始参数,最后通过反向传播算法有监督的微调整个网络。在实证分析方面,本文选取了上证指数日数据作为实验样本,并和ARMA时间序列预测模型以及BP神经网络模型的做实证对比,实验结果显示栈式自编码器神经网络模型在各个预测性能指标上表现的更好,预测精度更高。为了进一步验证模型的预测能力,本文重新选择两段时间周期相同但先后顺序不同的上证指数日数据做实证对比分析,实验结果表明基于栈式自编码器神经网络的股价预测模型效果良好,具有很...

【文章页数】：54 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 国外研究现状
        1.2.2 国内研究现状
        1.2.3 研究评述
    1.3 主要研究内容与结构安排
    1.4 本文的创新之处
第2章 股票市场预测相关理论基础
    2.1 中国股票市场相关介绍
        2.1.1 我国股票市场的特点与现状
        2.1.2 评价股票的常用指标
    2.2 人工神经网络原理
        2.2.1 人工神经网络来源
        2.2.2 人工神经元模型
        2.2.3 激活函数
        2.2.4 神经网络的特点
    2.3 分析股票常用的预测模型
        2.3.1 传统的预测理论与模型
        2.3.2 机器学习预测理论与模型
    2.4 本章小结
第3章 栈式自编码器神经网络模型的构建
    3.1 自编码器AE网络结构
    3.2 自编码器的学习算法
    3.3 栈式自编码器SAE模型的构建
    3.4 逐层贪婪训练
    3.5 微调
    3.6 评估模型的性能指标
        3.6.1 平均绝对误差指标MAE
        3.6.2 均方根误差指标RMSE
        3.6.3 平均绝对百分比误差指标MAPE
    3.7 本章小结
第4章 数据处理与实证分析
    4.1 数据处理
        4.1.1 数据来源
        4.1.2 本文选取的预测指标
        4.1.3 数据的预处理
    4.2 模型关键参数的设置
    4.3 栈式自编码器神经网络预测模型的调优
    4.4 栈式自编码器神经网络实证比较分析
    4.5 SAE模型不同时间段数据的实证比较分析
    4.6 本章小结
第5章 总结与展望
    5.1 总结
    5.2 不足与展望
参考文献
致谢
个人简历、在学期间发表的学术论文与研究成果



本文编号：3874088