基于深度学习的股票市场预测研究

发布时间：2023-11-04 13:40

　　在统计和金融学科的应用领域,股票市场是一个变量关系错综复杂的非线性系统,如何能够较为准确地预测其未来价格或趋势走向是非常值得研究的课题。本文的研究内容在于如何将深度学习的技术应用于股票市场的预测中去,数据选取了高频和低频两个不同市场的股票序列数据,主要的工作包括如下三方面:第一,对原始数据进行预处理,建立双LSTM深度学习网络对股票进行价格预测,同时与传统的AR时间序列模型的预测结果进行对比,实验结果的对比证实了深度学习模型在预测准确性方面的优势。此外通过分析两只股票的预测案例说明了预测模型的适用范围。第二,进行了股票涨跌的趋势预测,通过对价格预测网络的改进和增强,加入卷积进行深度特征学习,建立卷积-双GRU深度学习网络。在减少训练参数的同时加强训练结果,在与logistic模型对比实验后得到了更准确的预测结果,同时能够支持实时更新预测。第三,使用两个机器学习中增强学习的策略来强化预测。通过软投票策略来实现超参数的自动化选择,减少预训练过程并增加预测的可靠性;通过双阈值分类来降低错误判断的风险,实现了自适应化过程。实验结果表明增强学习后的结果得到了明显的改善。

【文章页数】：56 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
专用术语注释表
第一章 绪论
    1.1 选题的背景和意义
    1.2 国内外研究现状
    1.3 研究内容与组织框架
        1.3.1 研究内容与创新点
        1.3.2 组织框架
第二章 深度神经网络概述
    2.1 神经网络与深度学习
    2.2 网络层
        2.2.1 卷积与池化
        2.2.2 循环神经网络
        2.2.3 Dropout和批正则化
    2.3 激活函数、损失函数与优化器
        2.3.1 几个常用的激活函数
        2.3.2 经验风险函数
        2.3.3 两个优化器
    2.4 深度学习的一般算法步骤
第三章 基于长短期记忆网络的股票预测
    3.1 股票数据简介
    3.2 股票数据预处理
        3.2.1 数据集切分和标准化
        3.2.2 特征生成
    3.3 LSTM模型
        3.3.1 前向传播
        3.3.2 后向传播
    3.4 网络构建
        3.4.1 早停策略
        3.4.2 双LSTM网络
    3.5 实证结果
        3.5.1 软硬件环境
        3.5.2 基准模型与衡量指标
        3.5.3 预测结果
    3.6 本章小结
第四章 基于门控循环单元的股票预测
    4.1 GRU模型
    4.2 网络构建
        4.2.1 价格预测网络
        4.2.2 趋势预测网络
    4.3 实证结果
        4.3.1 基准模型与衡量指标
        4.3.2 价格预测结果
        4.3.3 趋势预测结果
    4.4 本章小结
第五章 股票预测的增强学习策略
    5.1 机器学习背景
    5.2 增强方法
        5.2.1 软投票
        5.2.2 双阈值分类
        5.2.3 算法步骤
    5.3 实证结果与对比
        5.3.1 具体结果
        5.3.2 统计对比
    5.4 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
附录 程序清单
致谢



本文编号：3860413