面向价格预测的深度学习模型的设计与实现

发布时间：2020-11-12 13:26

　　 深度学习算法作为机器学习领域内的一个重要分支,推动了社会信息化的发展,为人们的生活带来了诸多的便利,因而得到了国内外众多学者的关注。在某些特定的场景中,使用深度学习算法在处理图像及语音识别的问题时比人类表现得更好。此外,相比传统的统计学与计量经济学构建的模型,深度学习算法凭借其自身良好的非线性拟合能力以及对多种混合信息的综合处理能力,在处理股票市场这个具有多变量的非线性动态信息系统的时候,往往可以提供更加合理可靠的分析及预测结果。变动的股票价格可以看作是一种前后关联性很强的时间序列数据,而循环神经网络可以很好的处理此类数据。在此基础上,本文对多种循环神经网络进行了研究及对比分析,对长短期记忆神经网络LSTM的网络结构进行了改进,依此设计了一个面向股票价格预测的深度学习模型。主要的研究工作可分为以下几点:根据深度学习的发展以及当前的应用现状,并着重针对深度学习算法应用于各个股票市场的研究按照基于限价委托单的模型、基于价格的分类模型、基于文本的分类模型、基于波动的预测模型以及投资组合优化模型五大类做了分类总结整理。并且选定基于波动的价格预测模型作为本次实验的基础。选定循环神经网络算法进行学习与研究。结合股票市场价格自身具有的长时序性、多变量因素影响以及非线性动态变化的特性,本文决定以具有长周期记忆功能以及短周期内特殊信息的调整功能的LSTM长短期记忆神经网络模型作为基础,从门结构以及信息输入保留的方式两方面进行改进与创新,提出了一种新的门结构设计尝试—选择性更新的长短期记忆神经网络模型SULSTM。基于改进得到的SULSTM神经网络,本文设计并实现了一个多隐藏层的价格预测神经网络模型。通过使用股票的开盘价、最高价、最低价、收盘价、成交量等多种金融数据来对股票价格进行预测。并使用RNN、LSTM、GRU等多个循环神经网络模型进行价格预测对比实验,发现改进后的SULSTM模型可以在股票价格的预测问题中取得不错的效果。同时相比于改进前的LSTM模型来说,在训练效率、训练损耗以及最终价格预测等多方面都有较高的性能提升。
【学位单位】：西安电子科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：F832.51;TP18
【部分图文】：

图2.1标准循环神经网络结构图网络的输入为 这样的序列数据， 是输入层 前一时刻的输出作为当前时刻输入的权重矩阵，V 刻，输入数据为 ( )，输出数据 ( )， ( )和上一时刻的循环神经网络通过下面的公式 2-1 来计算 ( )，公式 2-性 ( )。g 函数为激活函数（activation function），通常选用 So量压缩成另一个 m 维实数向量，其中每个元素的取值m 个不同类上的概率分布。使用这个函数的意图是将对如公式 2-3 所示。式 2-2 中的隐层输出的激活函数 f 通ot( )= g V i ht( )( )ht( )= f (U i x(t )+ W i h(t 1))

图2.2标准循环神经网络训练损失计算图经网络通常利用负对数似然（即交互熵）来构建损失函数，互熵损失函数来计算。以 ′( )= ( ( ))为例，它表示输入。实际上，通过使用交互熵损失函数计算，可以得到的负对数之和，则它的计算公式 2-5 如下： [ , , ]， ( )为真实的分布，而 ′( )为预测的概率。其结得到的损失结果只取决于相应类别的 ( ( ))，相应类，其损失函数的结果数值就越小。 RNN 的训练算法J(θ ) = E(y(t ), y'(t )) = y(t )logt=1T∑ (y'(t ))

立的模块有更多的调节参数和逻辑门单元，结构更加复杂。这两个模块结构如下图2.3 所示：图2.3RNN 循环神经网络模块图2.4LSTM 长短期记忆神经网络模块长短期记忆网络中新引入了三个逻辑门结构，分别是输入门、输出门和忘记门，具有增加和移除信息的功能。在三个逻辑门的控制下，新增单元状态（cell state）来保存长期状态。1、遗忘门（forget gate）：遗忘门负责从单元状态中移除不太重要的信息，这是优化神经网络性能的一个很重要的方面。遗忘门的输入是 （即特定时间步的输入）和 ( )（即上一隐层单元的状态）。遗忘门的控制函数决定保留和移除哪些值。用输入向量与权重矩阵相乘，加上偏置项后再输入到 Sigmod 函数中。则最终输出的单元状态对应的向量取值范围为[0,1]，其公式 2-12 如下：f(2-12)(t )= σ (Wf[h(t 1), xt] + bf)
【相似文献】

相关期刊论文 前10条

1 杨子山;;2012/2013年度世界棉花供求、消费与价格预测[J];中国棉花;2013年06期

2 张化中;;探索价格预测规律 为科学价格决策服务——价格预测特点、原则及应努力做好的主要工作[J];价格理论与实践;2012年06期

3 赵平;;2009—2030年原油价格预测[J];国外油田工程;2010年11期

4 张华伟;沈萍;;煤炭价格预测系统模型的构建[J];煤炭经济研究;2009年09期

5 张化中;;积极探索 勇于实践 不断提高价格预测能力和水平——对当前价格预测工作的几点思考[J];价格理论与实践;2009年12期

6 兰兴华;;2007-2008年基本金属价格预测——路透社的调查[J];中国金属通报;2007年13期

7 ;2004年上半年部分农产品价格预测[J];农村养殖技术;2004年06期

8 王征兵;2004年上半年部分农产品价格预测[J];农村实用技术与信息;2004年01期

9 陈建中;;投入产出分析法在价格预测中的应用[J];预测;1987年03期

10 夏琼英;;1987—2000年世界铀消耗的预测[J];国外核新闻;1987年09期

相关博士学位论文 前7条

1 戴相全;镍的价格预测与采购模型及其应用研究[D];东北大学;2015年

2 颜七笙;基于智能计算和混沌理论的铀价格预测研究[D];江南大学;2014年

3 高爽;基于数据流学习的国际石油价格预测研究[D];中国地质大学(北京);2016年

4 张立杰;棉花价格研究及预测[D];天津大学;2012年

5 季托;国际石油价格波动行为机理及预测模型研究[D];东北石油大学;2011年

6 刘铭;若干混合智能计算方法及应用研究[D];吉林大学;2014年

7 王桂红;农产品市场价格web信息分析方法研究[D];沈阳农业大学;2013年

相关硕士学位论文 前10条

1 赵梓良;基于数据挖掘的农产品价格预测研究[D];浙江海洋大学;2019年

2 于娇;面向价格预测的深度学习模型的设计与实现[D];西安电子科技大学;2019年

3 宋智峰;建筑项目中钢材价格预测及订货策略研究[D];北京理工大学;2017年

4 李彦君;基于深度学习方法的机票价格预测[D];黑龙江大学;2019年

5 刘涛;面向机票业务的预测服务系统[D];上海交通大学;2018年

6 陈誉文;机票价格预测系统的设计与实现[D];上海交通大学;2016年

7 戴昊;基于Stacking理论的北京二手房交易价格预测研究[D];辽宁科技大学;2019年

8 周杨;基于改进的LSTM化肥价格预测[D];中国科学技术大学;2019年

9 常诚;基于多模态信息融合的房地产价格预测系统的设计与实现[D];北京邮电大学;2019年

10 范瑜;电子产品价格预测模型分析与研究[D];长安大学;2019年

本文编号：2880792