基于深度学习的金融二级市场数据分析

发布时间：2020-04-30 01:24

【摘要】：在金融二级市场上对数据的分析方法主要是基于统计学和人工建模的方法,本文通过对金融二级市场数据的特性分析和研究,提出了在金融二级市场上使用神经网络方法的思路。本文证明了在二级市场使用神经网络进行数据分析的可行性。并且通过分析金融二级市场的数据,把整个数据来源分为三个模块,并且根据金融数据的特点和一些金融分析方法的先验知识,设计出一种适合于处理金融数据的CNN-LSTM网络来处理数据,该网络能够通过CNN网络去分析数据的价格的形态特征和数据的时序特征,通过这两个网络的组合,可以有效的对金融二级市场的数据进行分析。该网络对比传统的简单的统计方法和一些神经网络方法比如逻辑回归,卷积神经网络(CNN),长短期记忆网络(LSTM)等方法,在对市场价格变化在较短时间内的预测和在较长时间内的预测都有一定的提高,比简单的统计方法提高7%左右,比其他神经网络提高4%左右。
【图文】：

第三章 神经网络原理介绍3.1 梯度下降梯度下降是很多机器学习算法中求解最优值的算法。在这些算法中，很多时候需要对误差函数进行求解其最小值，通过梯度下降的方法一步一步的迭代求解，从而最后求出最优值对应的参数。3.1.1 梯度下降原理简单的来说梯度下降的思路就是对于一个很难求解最优值的问题，从一个随机的位置作为起点，对于求解最小值问题就是从这个点找出值下降最快的方向，并且向这个方向走一小步，然后在新的点上找出这个点下降最快的方向继续走一步，不断的重复这一过程从而走到最小值这个点上。但是这一过程并不能保证我们找到的可能不是全局最优解，而是一个局部最优的解[7]。这种算法可以很直观的从图 3-1 表现出来。

1]区间之中。所以此时我们可以得出逻辑： ( ) = ( ) 得到了逻辑回归的预测函数，可以正向计算出预测结果降的方法优化我们计算出的结果就需要定义一个误差值和真实值之间的差，这个函数被称为误差函数。逻所示： ) = ( ￡ ( ( )) ( ) ￡ ( ( )) )中， 是真实值， ( )是我们计算出的预测值，可以零，，式子的前半部分为零，后半部分的值如果预测值预测值越接近真实值该式子给出的误差越小，对于真差函数之后，我们可以把预测的问题转化成一个求出后可以通过梯度下降的方法求出最优的解，从而得出
【学位授予单位】：上海交通大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：F830.9;TP18

【参考文献】

相关硕士学位论文 前1条

1 孙瑞奇;基于LSTM神经网络的美股股指价格趋势预测模型的研究[D];首都经济贸易大学;2016年

本文编号：2645223