基于深度学习和文本挖掘的股票预测研究
发布时间：2021-10-07 01:40
金融市场是国家资本市场的重要组成部分,它在保持国民经济的良好快速发展势头中有着不可替代的作用。股票作为其中的典型代表,深受投资者的关注。通过对股票走势的研究和预测,投资者希望挖掘成功的获利模式,管理者则可以进行干涉调控。由于股票数据非线性强,波动性大,至今没有突破性的进展,不过其巨大的挑战性和诱惑力依旧促使着人们不断地探索。随着智能金融,量化投资等概念的不断深化,人们需要找到更强大的智能算法应用于金融市场。机器学习和深度学习方法因其强大的表征学习能力而在许多领域都取得了卓越的成果。在此趋势下,两种学习方法渐渐被应用在金融领域。随着对股市建模完整性的需要和数据体量的增加,文本信息逐渐成为学者们研究股票的挖掘对象,由于股票预测还在研究阶段,构建有效的投资组合成为股票投资的常用方法,而神经网络模型也可帮助实现这一目标。本文的主要贡献如下:1)对股票交易时机预测进行研究,使用自适应阈值分段线性表示算法为每个交易日生成交易标签,提出将技术指标因子构建成多通道图片作为输入,结合卷积神经网络建立了完整的交易时机预测模型。以前一日收盘价的预测结果指导交易,实验表明模型的预测分类性能具有实际意义。结合投...
【文章来源】：东华大学上海市 211工程院校 教育部直属院校
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
人工神经元
第二章股票预测与模型算法概述1131()()iiihxfwxb==+(2-1)1()1xfxe=+(2-2)图2-1人工神经元外部传入神经元的信息经过权值加权与偏置相加，再由激活函数变换后输出。常用的激活函数有Sigmoid，Softmax等，Sigmoid函数见式(2-2)。多个并列的神经元可构建成一个网络层，多个网络层相互连接将形成一个网络模型，网络模型在训练中不断感知并调节自身参数从而实现学习。通过改变连接架构，激活函数和学习规则，研究者可以设计出不同的网络模型，其中典型的网络是前馈神经网络，其结构见图2-2。图2-2典型的前馈神经网络一个三层的神经网络已经可以实现函数的拟合，增加隐含层的层数可以增强模型的非线性表达能力，在提高精度和计算量的同时也可能降低模型的泛化能力。模型的调优方法通常使用梯度下降算法，该算法将损失函数计算的误差层层反向传递，以设定的学习率调节各项参数。除此之外还有下降速度更快的批量梯度下降，随机梯度下降等。2.4.2卷积神经网络在传统神经网络的基础上，纽约大学的YannLecun在1998年提出了CNN[45]，
第二章股票预测与模型算法概述12该模型在接受图像作为输入的时候表现出了明显的优势。不同于以往预先进行特征提取和构建，图片只需直接输入，CNN就能自我感知并高效提取图像的特征，比如形状，颜色，纹理和拓扑结构等信息，而且在图像发生位移、旋转、缩放等扭曲不变性变化时，CNN依然保持着良好的应用性能。因此它在图像领域具有不可替代的地位。CNN网络具有三个突出的特点，分别是局部感知，参数共享和池化[46]。CNN引入了卷积核，使得每个输出神经元仅与前一层特定局部区域内的神经元存在连接权重，每个神经元只需要感受局部特征，而这些局部特征将在更深层中进行综合，从而逐步实现全局信息的感知。权值共享则是对图像用相同的卷积核进行卷积操作，大大减少了参数量，这也意味着第一个隐藏层的所有神经元所能检测到处于图像不同位置的完全相同的特征，因此CNN能很好的适应图像的小范围的平移性。CNN在卷积层后会连接池化层进行降采样操作，在这一过程中参数量再次被减少，特征图的信息被浓缩，通常使用的有最大值池化和平均值池化。一般来说，CNN的组成部分包含卷积层、池化层和全连接层。下图展示卷积神经网络的一般结构。图2-3典型的卷积神经网络2.4.3K近邻算法（KNN）KNN分类算法[47]是机器学习中最简单的分类算法之一，由Cover和Hart在1968年提出。该算法没有训练过程，属于懒惰学习的一种，其基本过程是对于每个样本，找出距离该样本距离最近的K个样本，然后基于这K个最近邻的信息来进行分析，在算法中可以选择不同的距离度量。分析过程中常用“投票法”，即以K个实例中数量最多的类别作为分类结果。在执行回归任务时，常对这K个实例的标记值取平均作为回归结果。除此之外
【参考文献】：
期刊论文
[1]基于深度神经网络的经济时间序列预测模型[J]. 崔馨心. 信息技术与信息化. 2018(11)
[2]卷积神经网络综述[J]. 刘健,袁谦,吴广,喻晓. 计算机时代. 2018(11)
[3]基于ARIMA模型与神经网络模型的股价预测[J]. 陈小玲. 经济数学. 2017(04)
[4]股票内在价值、投资者关注与企业价值[J]. 何玉芬. 财会通讯. 2017(24)
[5]智能金融的核心引擎:一览与前瞻[J]. 鲍捷. 软件和集成电路. 2017(04)
[6]人工智能的两个领域[J]. 何立民. 单片机与嵌入式系统应用. 2016(09)
[7]组合指标个股量化择时交易的实证研究[J]. 刘宇霞. 科技创业月刊. 2015(12)
[8]商业银行金融市场业务风险管理策略探讨[J]. 刘钢. 时代金融. 2015(05)
[9]K线图技术与市场有效性[J]. 汪天都,孙谦. 管理现代化. 2014(04)
[10]我国股市的现状分析[J]. 王腾. 中外企业家. 2013(18)
博士论文
[1]建立股指波动预测模型的方法研究及应用[D]. 沈巍.华北电力大学（北京） 2011
硕士论文
[1]我国上市公司财务指标与股票价格之间的相关性研究[D]. 撒媛媛.山东大学 2018
[2]基于随机森林方法的沪深300指数涨跌预测研究[D]. 王伟.天津财经大学 2017
[3]基于正则化的投资组合分析[D]. 陶一鑫.浙江工商大学 2014
[4]社交网络不同类型财经信息对证券市场的影响[D]. 丁奕辰.天津大学 2014
[5]新闻事件驱动的市场预测研究[D]. 张明禄.上海交通大学 2014
[6]现代投资组合理论及其在中国基金业的实证研究[D]. 雷彬.重庆大学 2012
[7]技术指标投资策略的优化及其在量化交易中的应用[D]. 张登明.华中科技大学 2010
[8]中国股市系统风险实证研究[D]. 王小玲.武汉科技大学 2005
[9]中国股市绩优股定价模型[D]. 刘铁军.吉林大学 2004
本文编号：3421124
【文章来源】：东华大学上海市 211工程院校 教育部直属院校
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
人工神经元
第二章股票预测与模型算法概述1131()()iiihxfwxb==+(2-1)1()1xfxe=+(2-2)图2-1人工神经元外部传入神经元的信息经过权值加权与偏置相加，再由激活函数变换后输出。常用的激活函数有Sigmoid，Softmax等，Sigmoid函数见式(2-2)。多个并列的神经元可构建成一个网络层，多个网络层相互连接将形成一个网络模型，网络模型在训练中不断感知并调节自身参数从而实现学习。通过改变连接架构，激活函数和学习规则，研究者可以设计出不同的网络模型，其中典型的网络是前馈神经网络，其结构见图2-2。图2-2典型的前馈神经网络一个三层的神经网络已经可以实现函数的拟合，增加隐含层的层数可以增强模型的非线性表达能力，在提高精度和计算量的同时也可能降低模型的泛化能力。模型的调优方法通常使用梯度下降算法，该算法将损失函数计算的误差层层反向传递，以设定的学习率调节各项参数。除此之外还有下降速度更快的批量梯度下降，随机梯度下降等。2.4.2卷积神经网络在传统神经网络的基础上，纽约大学的YannLecun在1998年提出了CNN[45]，
第二章股票预测与模型算法概述12该模型在接受图像作为输入的时候表现出了明显的优势。不同于以往预先进行特征提取和构建，图片只需直接输入，CNN就能自我感知并高效提取图像的特征，比如形状，颜色，纹理和拓扑结构等信息，而且在图像发生位移、旋转、缩放等扭曲不变性变化时，CNN依然保持着良好的应用性能。因此它在图像领域具有不可替代的地位。CNN网络具有三个突出的特点，分别是局部感知，参数共享和池化[46]。CNN引入了卷积核，使得每个输出神经元仅与前一层特定局部区域内的神经元存在连接权重，每个神经元只需要感受局部特征，而这些局部特征将在更深层中进行综合，从而逐步实现全局信息的感知。权值共享则是对图像用相同的卷积核进行卷积操作，大大减少了参数量，这也意味着第一个隐藏层的所有神经元所能检测到处于图像不同位置的完全相同的特征，因此CNN能很好的适应图像的小范围的平移性。CNN在卷积层后会连接池化层进行降采样操作，在这一过程中参数量再次被减少，特征图的信息被浓缩，通常使用的有最大值池化和平均值池化。一般来说，CNN的组成部分包含卷积层、池化层和全连接层。下图展示卷积神经网络的一般结构。图2-3典型的卷积神经网络2.4.3K近邻算法（KNN）KNN分类算法[47]是机器学习中最简单的分类算法之一，由Cover和Hart在1968年提出。该算法没有训练过程，属于懒惰学习的一种，其基本过程是对于每个样本，找出距离该样本距离最近的K个样本，然后基于这K个最近邻的信息来进行分析，在算法中可以选择不同的距离度量。分析过程中常用“投票法”，即以K个实例中数量最多的类别作为分类结果。在执行回归任务时，常对这K个实例的标记值取平均作为回归结果。除此之外
【参考文献】：
期刊论文
[1]基于深度神经网络的经济时间序列预测模型[J]. 崔馨心. 信息技术与信息化. 2018(11)
[2]卷积神经网络综述[J]. 刘健,袁谦,吴广,喻晓. 计算机时代. 2018(11)
[3]基于ARIMA模型与神经网络模型的股价预测[J]. 陈小玲. 经济数学. 2017(04)
[4]股票内在价值、投资者关注与企业价值[J]. 何玉芬. 财会通讯. 2017(24)
[5]智能金融的核心引擎:一览与前瞻[J]. 鲍捷. 软件和集成电路. 2017(04)
[6]人工智能的两个领域[J]. 何立民. 单片机与嵌入式系统应用. 2016(09)
[7]组合指标个股量化择时交易的实证研究[J]. 刘宇霞. 科技创业月刊. 2015(12)
[8]商业银行金融市场业务风险管理策略探讨[J]. 刘钢. 时代金融. 2015(05)
[9]K线图技术与市场有效性[J]. 汪天都,孙谦. 管理现代化. 2014(04)
[10]我国股市的现状分析[J]. 王腾. 中外企业家. 2013(18)
博士论文
[1]建立股指波动预测模型的方法研究及应用[D]. 沈巍.华北电力大学（北京） 2011
硕士论文
[1]我国上市公司财务指标与股票价格之间的相关性研究[D]. 撒媛媛.山东大学 2018
[2]基于随机森林方法的沪深300指数涨跌预测研究[D]. 王伟.天津财经大学 2017
[3]基于正则化的投资组合分析[D]. 陶一鑫.浙江工商大学 2014
[4]社交网络不同类型财经信息对证券市场的影响[D]. 丁奕辰.天津大学 2014
[5]新闻事件驱动的市场预测研究[D]. 张明禄.上海交通大学 2014
[6]现代投资组合理论及其在中国基金业的实证研究[D]. 雷彬.重庆大学 2012
[7]技术指标投资策略的优化及其在量化交易中的应用[D]. 张登明.华中科技大学 2010
[8]中国股市系统风险实证研究[D]. 王小玲.武汉科技大学 2005
[9]中国股市绩优股定价模型[D]. 刘铁军.吉林大学 2004
本文编号：3421124
本文链接：https://www.wllwen.com/guanlilunwen/huobilw/3421124.html
