LSTM神经网络在股票投资选择中的应用研究

发布时间：2020-05-29 18:26

【摘要】：近年来,人工智能技术先后被成功应用到语音识别、图像识别、围棋对抗等许多领域中,如何将在其他领域取得成功的人工智能技术应用到投资领域,成为许多投资者的新课题。一方面,在投资领域中,选择出良好的目标股票,是投资活动最终取得成功的关键之一。选出具有较高质量的股票并构建股票池,对投资者减少选股工作量,集中精力调研个股,提高投资收益是非常重要的。而对计算机的强大计算能力的合理使用,可以大幅节省投资者在股票投资选择中消耗的时间和精力。另一方面,在人工智能技术中,BP神经网络是一种应用最为广泛的神经网络技术,但其无法兼顾数据的截面特征和序列特征的缺陷,使得其在股票市场中的实际应用能力受到制约。而LSTM神经网络作为成功应用到语音识别领域的一种机器学习技术,具备了处理序列特征数据的能力,研究其在股票投资选择应用中的适用性是具有相当实践意义的。在算法的应用上,本文首先构建具有相同结构,相同训练次数、学习率等超参数条件下的BP神经网络和LSTM神经网络,并在其神经网络的共有部分使用相同的激活函数;然后根据股票的夏普比率制作选股信号,并将相同的5年夏普比率数据输入BP神经网络和LSTM神经网络中建立网络;再将两种神经网络应用到样本外数据中,获得信号预测值,即股票未来具有较好表现的概率;接着通过比较分析两种神经网络的样本外测试效果,发现具备了长期记忆功能的LSTM神经网络的实际选股效果要优于传统的BP神经网络,且其较高的选股准确率使它具备了较强的实际应用能力。在此基础上,本文根据股票投资选择的实际过程,从对股票市场的时间序列特征适用性角度、股票市场的非线性特征适用性角度,在股票市场投资标的数量众多下的选股能力角度以及不同投资者的适用性角度出发,分析了LSTM在股票投资选择中的适用能力。经过分析认为,良好的数据使用能力和样本外选股准确率使得LSTM神经网络在股票投资选择中更具备适用性。最后,总结以上对LSTM神经网络的研究,本文对LSTM神经网络在股票投资选择中的应用,给出了建议。
【图文】：

技术路线图,股票选择,股票投资,选择应用

文的核心部分，该部分主要是把 BP 神经网过程呈现出来，主要从方案设计、神经网络入手去研究。是根据上一部分实验的结果及结果分析，进资选择应用中的适用性。然后对本文的全部究做出展望并分析本文的不足之处。主要是：首先，人工智能技术作为一种近年都处于探索阶段，以往多数文献将神经网络技术运用于股票选择的分类问题中，这是本网络近年来在实践中取得突破性应用结果，少，本文在股票投资选择问题中使用这一技

模型图,人工神经元,模型,神经网络

神经网络是随着计算机技术的发展而产生的一种计算机算法，，目前该技术运用广泛，主要用于数据的分类预测。在股票投资选择应用方面，它的优点在于可以逼近非线性函数，这和股票市场实际的非线性特征较为接近。神经网络技术一般分为前馈神经网络（Feedforward Neural Network）和反馈神经网络（Backforward Neural Network），前馈神经网络包括有单层感知机、多层感知机和卷积深度神经网络等。反馈神经网络包括 BP 神经网络、RNN 神经网络以及 LSTM 神经网络等。二、BP 神经网络算法（一）BP 神经网络原理BP 神经网络（Back Propagation Neural Network）是目前应用最为广泛的一种神经网络，该神经网络是在 1986 年，由 Rumelhart 和 McClelland 提出，该网络是在训练前馈神经网络时，采用了误差逆向传播算法求解而得。一般来说，反馈神经网络通过学习过程的正向传播、反向传播的机制，设定一定的学习规则、学习次数、目标误差，运用梯度下降法调整参数，建立相关预测模型。该方法将人工神经元作为输入信息的处理单位，人工神经元结构如图 2 所示。
【学位授予单位】：西北民族大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP183;F832.51

【参考文献】