二隐藏层神经网络模型优化证券技术指标研究

发布时间：2020-05-06 09:01

【摘要】：近年来,国内外证券行业的市场交易行为趋向于规范化、趋势化,以市场价格规律为导向的交易行为逐渐占据重要地位。上述交易行为中,对证券产品的分析方法主要是根据证券数据,建立相应的技术指标,并按照该指标预测未来价格走向趋势。单一技术指标分析的效果取决于其预测的准确率,如“雪球网”的量化投资人所述,在大量多次投资情况下,超过50%准确率的技术指标可以将微小的准确率优势转化为盈利。目前主流的技术指标,是通过设立若干筛选条件,选择部分符合条件的股票,并预测未来价格走势。例如“均线多头并列”技术指标、“相似K线”技术指标等等。然而,这些技术指标设立的筛选条件不够精细,导致筛选出的股票的“特征”不够明显,导致预测准确率不高。而机器学习神经网络技术可以训练这些股票数据,提取隐藏的“特征”,生成模型,达到优化技术指标,提升预测准确率的目的。因此,本文选择具有较好的训练速度及稳定性的2层隐藏层的前馈神经网络来优化技术指标,具体工作如下所述。首先,为了证明对于不同的技术指标,可以分别使用针对性的神经网络训练方法达到优化效果,本文选择了两种不同的技术指标进行实验:第一种技术指标以“均线多头并列”的数据形态作为筛选条件,获得符合条件的股票,并预测这些股票后续走势为上涨。由于筛选条件固定,选择可接续训练的神经网络训练方法对其进行优化。第二种以目标K线作为筛选条件,获得相似K线,并利用相似K线后续走势预测目标K线后续走势。由于筛选条件随时间与股票变化,选择可一次性形成模型的快速训练方法对其进行优化。然后,为了完成上述两种技术指标的优化实验,需要实现软件工具,并准备实验数据,本文基于python语言及mongo数据库搭建了一个模型库。该模型库分为3层,分别是:储存基本数据、指标数据、模型数据的数据储存层,分析基本数据生成指标数据的数据处理层,以及实现神经网络模型的数据分析层。最后,按照上述两种不同的技术指标与对应的神经网络训练方法,分别进行训练与测试,每类训练方法进行两次重复实验。第一种通过“均线多头并列”技术指标预测走势,传统方法得到预测准确率为50.4%,经过可接续神经网络训练方法,进行不同接续训练次数的训练,接续训练次数n=1与n=5的预测准确率皆50%,n=3的两次实验预测准确率为52.9%与51.3%,准确率较传统方法在准确率上提升了2.5%与0.9%。第二种通过目标股票相似K线预测其走势,得到预测准确率为51.31%,两次经快速神经网络训练得到模型的预测准确率为分别为54.11%与56.3%,准确率较传统方法在准确率上提升了2.8%与5.8%。由于上述两种技术指标类型覆盖了市场上大部分的技术指标,本文选择的两种训练方法可延伸开来应用于更多的技术指标。因此使用神经网络方法优化技术指标具有一定的应用价值与广泛的应用范围。
【图文】：

脑神经元,神经网络,神经元,机器学习

E：过去大量病人的诊断记录（症状+结果）机器学习方法通过“症状-结果”数据对的训练建立诊断模型，再对病人疾病进行断，得到正确率；选定诊断记录训练规模、优化算法程序使正确率提升，即为一机器学习过程。机器学习在学习过程中要以如下方法完成学习目的，首先建立学习的程序网络构，将其转化为合适的数学模型，依据实际计算环境的计算能力，数学模型不宜过复杂，通过一定的学习方法，，提取输入训练集的“特征”，并将模型参数转换为应该“特征”，并阻止过拟合现象，以此使机器可以识别、分辨待预测数据，并在后的训练中不断微调，提升泛化性能。机器学习有多种方法，如支持向量机、决树、神经网络及改进算法[5]，本文采用的机器学习方法是机器学习的一个分支：经网络。神经网络是机器学习领域的一个分支，使用模仿大脑神经元的神经网络系统处分类、判断、识别等问题[6]

激活函数,神经元,偏置,处理阶段

华中科技大学硕士学位论文的非全连接层则接收部分上层输出值作为输入，类似于神经细胞的），经过加权、偏置后，得到的细胞体参数 cellbody 作为自变activef ，得到输出信号 output，输出给其它神经网络神经元。在这一注的就是细胞体处理阶段与激活函数的选择。体处理阶段，神经元单元将输入的信号作加权求和与偏置，偏置一处理，一般是定值，这一阶段的关键参数就是权值向量, ]n 。权值向量是神经信号经过该神经元时，神经元唯一可以进际上是一个神经元的经验与记忆，也是描述一个神经元的特征。
【学位授予单位】：华中科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：F831.51;TP183

【参考文献】