随机金融价格深度学习预测模型与统计分析

发布时间：2020-07-14 23:42

【摘要】：近年随着人工智能的发展,神经网络模型及深度学习在各个领域引起了广泛的关注,利用神经网络和深度学习模型拟合和预测时间序列也成为一些科学研究热门课题。鉴于人工神经网络在金融经济预测领域的应用前景,提高其预测精度具有十分重要的意义。本文提出了一种新的,由复杂度不变距离(CID)控制的学习率结构,通常CID被用来测量两个时间序列之间差异复杂度。此外,随机时效性神经网络(STNN)是一种用于预测时间序列的有监督模型。基于上述两种理论,本文提出了一种新的神经网络模型(CID-STN)以提高预测精度。同时为深入比较CID-STNN和STNN的预测性能,将时间序列分解为若干本真模函数,并利用这些本真模函数对模型进行训练。此外,对模型进行了交叉检验以调整超参数,在避免过拟合的前提下评估模型的预测能力,说明了 CID-STNN模型的相对有效性和优越性。为了提高金融市场价格波动预测的准确性,本文将长短记忆型神经网络(LSTM)深度学习模型应用于金融时间序列拟合。在传统的长短记忆型神经网络的应用领域,比如自然语言处理语义分析等,为提高其训练精度使用大量的数据训练是一种常规做法。为了通过扩展训练集的大小来提高预测精度,迁移学习提供了一种启发式的数据扩展方法。此外考虑到每一个历史数据的等价性来训练长期短期记忆,很难反映金融市场真实准确的变化。本文创新地提出了一种具有先验经验的数据迁移算法,它提供了一种更有效的数据扩展思路。为了深入比较初始数据和数据迁移后的预测性能训练性能,将时间序列分解为若干本真模函数,并利用这些本真模函数对模型进行训练。通过评价该模型的预测能力,对西德克萨斯轻质原油(WTI)、布伦特原油(Brent)的预测效果进行了实证研究,并证明了其相应的优越性。
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：F224;F830
【图文】：

拓扑结构图,拓扑结构,神经网络,隐藏层

图１．神经网络的拓扑结构．逡逑Ｆｉｇ．邋１．邋Ｔｏｐｏｌｏｇｙ邋ｏｆ邋ｎｅｕｒａｌ邋ｎｅｔｗｏｒｋ邋ｆｏｒ邋ＢＰＮＮ邋ａｒｃｈｉｔｅｃｔｕｒｅ．逡逑图１展示了三层的ＢＰＮＮ结构，该ＢＰＮＮ模型的结构为ｍｘ／ｉｘｌ，这意味着逡逑输入层的节点数为ｍ，隐藏层的神经元个数选择《个，输出层由一个单独的神逡逑４逡逑

学习率,迭代步骤

第２章ＣＩＤ随机时效性神经网络逡逑说，Ｃ／认会随着迭代次数＆增加而下降，而Ｃ／认下降导致；７下降，直接降低逡逑梯度下降的收敛速度。图２显示了学习率随着迭代次数增加而发生的变化，可逡逑以明显地从图中看出趋势；７随着迭代次数的增加下降到一个较低的水平。逡逑０．１６１逦Ｉ逦ｉ逦ｉ逦Ｉ逦Ｉ逦Ｉ逦Ｉ逦Ｉ逦ｉ逡逑０．１４邋－逦0邋ｄｉｆｆｅｒｅｎｔ邋ｌｅａｒｎｉｎｇ邋ｒａｔｅ邋－逡逑０１２－逦７７邋＝邋０邋００６邋ｘＣＩＤ／ｂ逦－逡逑５邋０１邋－逦＇逡逑0）邋０逦＇％＞．逡逑ｃ邋０邋０８邋－逦＿逦－逡逑－逡逑００２邋，逡逑Ｑ逦＾＾Ｉ—逡逑０逦１０逦２０逦３０逦４０逦５０逦６０逦７０逦８０逦９０逦１００逡逑Ｉｔｅｒａｔｉｏｎ邋ｔｉｍｅｓ逡逑图２．每次迭代步骤所对应的学习率．逡逑Ｆｉｇ．邋２．邋Ｌｅａｒｎｉｎｇ邋ｒａｔｅ邋ｆｏｒ邋ｅｖｅｒｙ邋ｉｔｅｒａｔｉｖｅ邋ｓｔｅｐ．逡逑图３说明了拟议的ＣＩＤ－ＳＴＮＮ预测系统的伪代码和算法程序，具体通过以下逡逑五个步骤进行说明：逡逑？Ｓ啤入？执行输入训练集Ｄ邋＝邋｛（：＾办，…，尤？，，：＾＋］）：邋ｒ邋＝邋１，．．．，Ｍ｝，并输入学习率逡逑和神经元数量等超参数，这些参数在程序前通过交叉验证进行确认。逡逑Ｓ＾ｐ２．？规范数据集，初始化ＣＩＤ－ＳＴＮＮ中的所有权重，使所有权重初始状态都逡逑是随机的并服从平均分布。逡逑３．？计算ＣＩＤ学习率，并使用这个新的学习率执行训练模型。逡逑４：在计算ＣＩＤ之后，计算下一交易日的收盘价，并计算局部误差以及梯逡逑度

伪码,学习率,所有权

图２．每次迭代步骤所对应的学习率．逡逑Ｆｉｇ．邋２．邋Ｌｅａｒｎｉｎｇ邋ｒａｔｅ邋ｆｏｒ邋ｅｖｅｒｙ邋ｉｔｅｒａｔｉｖｅ邋ｓｔｅｐ．逡逑图３说明了拟议的ＣＩＤ－ＳＴＮＮ预测系统的伪代码和算法程序，具体通过以下逡逑五个步骤进行说明：逡逑？Ｓ啤入？执行输入训练集Ｄ邋＝邋｛（：＾办，…，尤？，，：＾＋］）：邋ｒ邋＝邋１，．．．，Ｍ｝，并输入学习率逡逑和神经元数量等超参数，这些参数在程序前通过交叉验证进行确认。逡逑Ｓ＾ｐ２．？规范数据集，初始化ＣＩＤ－ＳＴＮＮ中的所有权重，使所有权重初始状态都逡逑是随机的并服从平均分布。逡逑３．？计算ＣＩＤ学习率，并使用这个新的学习率执行训练模型。逡逑４：在计算ＣＩＤ之后，计算下一交易日的收盘价，并计算局部误差以及梯逡逑度，并进一步更新模型里的权重和偏置。逡逑５．？依次输入测试集（ｔｅｓｔ邋ｓｅｔ）中的所有数据并循环上述过程，直到用完所有逡逑数据

【参考文献】