改进的卷积神经网络在金融预测中的应用研究

发布时间：2017-09-18 21:47

  本文关键词：改进的卷积神经网络在金融预测中的应用研究

  更多相关文章： 卷积神经网络 支持向量机 金融预测 时间序列 深度学习 神经网络 股票预测 汇率预测

【摘要】：世界经济正处在快速发展阶段,金融业也随之不断发展,金融活动日益增多,其变化趋势的不确定性也在增加。如何通过学习和掌握金融活动规律,预测其未来的变化趋势,成为学术界和金融界的关注重点和主要研究内容。有效的金融预测可以为金融计划和决策的制定提供依据,维持金融市场的健康发展,使盈利机构的利益最大化。卷积神经网络是一种模拟生物视觉系统运行机制的多层神经网络结构。它是由多层卷积层和降采样层顺序连接构成的神经网络,能够从原始数据中获取有用的特征描述,是一种从数据中提取特征的有效方法。目前卷积神经网络已经成为语音识别、图像识别及分类、自然语言处理等领域的研究热点,并在这些领域有了广泛且成功的应用。因此本文引入卷积神经网络结构对金融时间序列数据进行预测。本文首先整理和总结了国内外关于金融时间序列的研究方法,简要介绍了人工神经网络和深度学习方法,并重点介绍了卷积神经网络和支持向量机的算法原理。然后改进卷积神经网络以适合金融时间序列数据,并建立卷积神经网络和支持向量机融合的混合模型,最后将两种预测模型应用于金融时间序列数据的预测中。本文主要的研究工作如下:(1)结合金融时间序列数据的特点,改进卷积神经网络,建立了适用于金融时间序列数据的卷积神经网络预测模型,并将模型应用于股票指数预测。研究了网络模型的相关参数对股票指数预测结果的影响;(2)改进卷积神经网络股票指数预测模型,将卷积神经网提取有效特征的优点与支持向量机良好的分类预测能力相结合,给出了一种卷积神经网络-支持向量机混合模型预测股票指数,提高预测精度;(3)建立了基于卷积神经网络的汇率预测模型,研究了模型参数对汇率预测结果的影响;将卷积神经网络-支持向量机混合预测模型应用于汇率预测中。通过仿真对比,验证本文给出的两种预测模型的可行性和有效性。
【关键词】：卷积神经网络 支持向量机 金融预测 时间序列 深度学习 神经网络 股票预测 汇率预测
【学位授予单位】：郑州大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F832;TP183
【目录】：

• 摘要4-5
• Abstract5-12
• 1 绪论12-17
• 1.1 金融预测12
• 1.2 研究背景及意义12-13
• 1.3 金融预测研究综述13-15
• 1.3.1 定性预测方法13
• 1.3.2 定量预测方法13
• 1.3.3 基于数据挖掘的预测方法13-15
• 1.4 本文主要内容15-17
• 2 深度学习与支持向量机17-34
• 2.1 人工神经网络17-22
• 2.1.1 单个神经元17-18
• 2.1.2 神经网络结构18-19
• 2.1.3 BP网络19-22
• 2.2 深度学习22-28
• 2.2.1 深度置信网络23-25
• 2.2.2 堆栈自编码网络25-26
• 2.2.3 卷积神经网络26-28
• 2.3 支持向量机28-33
• 2.3.1 最优分类面29-31
• 2.3.2 非线性映射31-32
• 2.3.3 核函数32-33
• 2.3.4 序列最小化算法33
• 2.4 本章小结33-34
• 3 基于卷积神经网络的股票指数预测模型34-61
• 3.1 基于CNN的股票指数预测模型34-37
• 3.1.1 构建CNN股票指数预测模型34-35
• 3.1.2 输入样本选择：滑动窗口技术35-36
• 3.1.3 CNN模型结构参数关系36
• 3.1.4 CNN模型算法实现36-37
• 3.2 模型参数对预测结果的影响37-51
• 3.2.1 数据预处理37-38
• 3.2.2 卷积层和降采样层对预测结果的影响38-41
• 3.2.3 卷积核大小对预测结果的影响41-44
• 3.2.4 卷积核个数对预测结果的影响44-47
• 3.2.5 输入样本长度对预测结果的影响47-50
• 3.2.6 确立CNN股票指数预测模型50-51
• 3.3 基于CNN-SVM的股票指数预测模型51-55
• 3.3.1 构建CNN-SVM股票指数预测模型51-52
• 3.3.2 SVM核函数52-55
• 3.4 实证分析55-57
• 3.4.1 数据说明55-56
• 3.4.2 实验结果及分析56-57
• 3.5 本章小结57-61
• 4 基于卷积神经网络的汇率预测模型61-82
• 4.1 基于CNN的汇率预测模型62
• 4.2 模型参数对预测结果的影响62-74
• 4.2.1 卷积层和降采样层对预测结果的影响63-65
• 4.2.2 卷积核大小对预测结果的影响65-68
• 4.2.3 卷积核个数对预测结果的影响68-70
• 4.2.4 输入样本长度对预测结果的影响70-73
• 4.2.5 确立CNN汇率预测模型73-74
• 4.3 基于CNN-SVM的汇率预测模型74-81
• 4.3.1 构建CNN-SVM汇率预测模型74
• 4.3.2 SVM核函数选取74-77
• 4.3.3 实证分析77-81
• 4.4 本章小结81-82
• 5 总结和展望82-84
• 5.1 主要工作和创新点82-83
• 5.2 展望83-84
• 参考文献84-87
• 个人简历、在学期间发表的学术论文及研究成果87-88
• 致谢88

【相似文献】

中国期刊全文数据库 前10条

1 云中客;新的神经网络来自于仿生学[J];物理;2001年10期

2 唐春明,高协平;进化神经网络的研究进展[J];系统工程与电子技术;2001年10期

3 李智;一种基于神经网络的煤炭调运优化方法[J];长沙铁道学院学报;2003年02期

4 程科,王士同,杨静宇;新型模糊形态神经网络及其应用研究[J];计算机工程与应用;2004年21期

5 王凡,孟立凡;关于使用神经网络推定操作者疲劳的研究[J];人类工效学;2004年03期

6 周丽晖;从统计角度看神经网络[J];统计教育;2005年06期

7 赵奇 ,刘开第 ,庞彦军;灰色补偿神经网络及其应用研究[J];微计算机信息;2005年14期

8 袁婷;;神经网络在股票市场预测中的应用[J];软件导刊;2006年05期

9 尚晋;杨有;;从神经网络的过去谈科学发展观[J];重庆三峡学院学报;2006年03期

10 杨钟瑾;;神经网络的过去、现在和将来[J];青年探索;2006年04期

中国重要会议论文全文数据库 前10条

1 徐春玉;;基于泛集的神经网络的混沌性[A];1996中国控制与决策学术年会论文集[C];1996年

2 周树德;王岩;孙增圻;孙富春;;量子神经网络[A];2003年中国智能自动化会议论文集（上册）[C];2003年

3 罗山;张琳;范文新;;基于神经网络和简单规划的识别融合算法[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

4 郭爱克;马尽文;丁康;;序言(二)[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

5 钟义信;;知识论:神经网络的新机遇——纪念中国神经网络10周年[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

6 许进;保铮;;神经网络与图论[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

7 金龙;朱诗武;赵成志;陈宁;;数值预报产品的神经网络释用预报应用[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 田金亭;;神经网络在中学生创造力评估中的应用[A];第十二届全国心理学学术大会论文摘要集[C];2009年

9 唐墨;王科俊;;自发展神经网络的混沌特性研究[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

10 张广远;万强;曹海源;田方涛;;基于遗传算法优化神经网络的故障诊断方法研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

中国重要报纸全文数据库 前10条

1 美国明尼苏达大学社会学博士 密西西比州立大学国家战略规划与分析研究中心资深助理研究员 陈心想;维护好创新的“神经网络硬件”[N];中国教师报;2014年

2 卢业忠;脑控电脑 惊世骇俗[N];计算机世界;2001年

3 葛一鸣 路边文;人工神经网络将大显身手[N];中国纺织报;2003年

4 中国科技大学计算机系　邢方亮;神经网络挑战人类大脑[N];计算机世界;2003年

5 记者 孙刚;“神经网络”：打开复杂工艺“黑箱”[N];解放日报;2007年

6 本报记者 刘霞;美用DNA制造出首个人造神经网络[N];科技日报;2011年

7 健康时报特约记者　 张献怀;干细胞移植：修复受损的神经网络[N];健康时报;2006年

8 刘力;我半导体神经网络技术及应用研究达国际先进水平[N];中国电子报;2001年

9 ;神经网络和模糊逻辑[N];世界金属导报;2002年

10 邹丽梅 陈耀群;江苏科大神经网络应用研究通过鉴定[N];中国船舶报;2006年

中国博士学位论文全文数据库 前10条

1 杨旭华;神经网络及其在控制中的应用研究[D];浙江大学;2004年

2 李素芳;基于神经网络的无线通信算法研究[D];山东大学;2015年

3 石艳超;忆阻神经网络的混沌性及几类时滞神经网络的同步研究[D];电子科技大学;2014年

4 王新迎;基于随机映射神经网络的多元时间序列预测方法研究[D];大连理工大学;2015年

5 付爱民;极速学习机的训练残差、稳定性及泛化能力研究[D];中国农业大学;2015年

6 李辉;基于粒计算的神经网络及集成方法研究[D];中国矿业大学;2015年

7 王卫苹;复杂网络几类同步控制策略研究及稳定性分析[D];北京邮电大学;2015年

8 张海军;基于云计算的神经网络并行实现及其学习方法研究[D];华南理工大学;2015年

9 李艳晴;风速时间序列预测算法研究[D];北京科技大学;2016年

10 陈辉;多维超精密定位系统建模与控制关键技术研究[D];东南大学;2015年

中国硕士学位论文全文数据库 前10条

1 章颖;混合不确定性模块化神经网络与高校效益预测的研究[D];华南理工大学;2015年

2 贾文静;基于改进型神经网络的风力发电系统预测及控制研究[D];燕山大学;2015年

3 李慧芳;基于忆阻器的涡卷混沌系统及其电路仿真[D];西南大学;2015年

4 陈彦至;神经网络降维算法研究与应用[D];华南理工大学;2015年

5 董哲康;基于忆阻器的组合电路及神经网络研究[D];西南大学;2015年

6 武创举;基于神经网络的遥感图像分类研究[D];昆明理工大学;2015年

7 李志杰;基于神经网络的上证指数预测研究[D];华南理工大学;2015年

8 陈少吉;基于神经网络血压预测研究与系统实现[D];华南理工大学;2015年

9 张韬;几类时滞神经网络稳定性分析[D];渤海大学;2015年

10 邵雪莹;几类时滞不确定神经网络的稳定性分析[D];渤海大学;2015年

，

本文编号：877701