基于神经网络模型的股票时间序列预测研究
发布时间：2021-07-19 15:33
股票时间序列是一种常见的非线性时间序列,现有的股票时间序列预测研究主要集中在对股票的多个技术指标中单一变量的预测研究方面,大多学者只用某种具体方法对股票技术指标之一的预测应用进行探索,并没有考虑到多个指标对单一输出的联合影响,更没用构建一套系统可行的股票价格时间序列预测建模体系。随着机器学习算法的发展,神经网络模型的广泛应用,针对股票时间序列数据所具有的高噪声、非线性、影响因素复杂等特点,本文分析当前广泛应用于非线性时间序列预测的前馈神经网络预测算法存在的问题,借助新的理论和方法提出基于反馈神经网络的LSTM多尺度非线性时间序列预测模型,并将其运用在股票时间序列的预测中,实验深入挖掘股票时间序列中的固有规律,为新型神经网络技术在股票时间序列预测分析中的应用研究提供一定的价值。论文首先对前馈BP神经网络预测模型进行研究,对影响其预测性能的内部网络参数进行分析,选取收盘价这一单尺度作为网络的输入,建立BP神经网络预测模型。实验结果表明,当历史数据集的输入维度一定时,隐含层节点的设置对其预测性能有明显的影响。而历史训练数据集足够大时,相同输入维度下的网络误差对隐含层节点的设置并不敏感。在此基...
【文章来源】：兰州交通大学甘肃省
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
研究技术路线图
典 BP 神经网络基本原理工神经网络是深度学习概念的一个主要应用工具。它是人类神经系统的一其中包含一系列可以通过轴突相互通信的神经元，它们可以通过实例进行提高性能，是一种自适应学习系统。第一个人工神经元由麦卡洛克和皮提出，旨在为神经活动建立计算模型。之后的很多学者又对该模型进行了比如冯·诺依曼的数字计算机、马文·明斯基和弗兰克·罗森布拉特提等[29]。其中应用最为广泛的便是 BP 神经网络(Back Propagation Neural ，它是一种多层网络的误差反向传播算法。常见的 BP 神经网络一般由输和输出层三层结构组成(图 2.1)。目前，在人工神经网络的众多应用实例是采用 BP 神经网络的结构或是它的变化形式，这也是前馈型神经网络的体现了人工神经网络最精华的部分。
兰州交通大学硕士学位论文当梯度不再下降或达到训练约束时，则停止更新权值，结束整个训练过程，然好的网络进行预测分析。从上式可以看出学习率 的选取对算法的效果起到了用。一方面，如果 过小，则权值会移动的非常缓慢，收敛将会非常的耗时。，如果 过大，则可能出现梯度值呈现波浪形而难以收敛。
【参考文献】：
期刊论文
[1]贝叶斯神经网络在股票时间序列预测中的应用[J]. 刘恒,侯越. 计算机工程与应用. 2019(12)
[2]基于多时间尺度RNN的时序数据预测[J]. 李洁,林永峰. 计算机应用与软件. 2018(07)
[3]深度学习原理及应用综述[J]. 付文博,孙涛,梁藉,闫宝伟,范福新. 计算机科学. 2018(S1)
[4]水平窗口能量计算的股市趋势预测算法[J]. 刘裕国,王浩,姚宏亮,李俊照. 计算机工程与应用. 2017(21)
[5]基于非线性分位数回归模型的多期VaR风险测度[J]. 许启发,张金秀,蒋翠侠. 中国管理科学. 2015(03)
[6]基于新时期沪深300指数的历史模拟法VaR风险度量[J]. 甘霖. 区域金融研究. 2014(03)
[7]基于小波分析与神经网络时间序列的股票预测方法[J]. 王刚,许晓兵. 金融经济. 2013(12)
[8]自回归模型的自回归分析及其应用[J]. 吕效国,王金华,马阿芹,索淑文. 扬州大学学报(自然科学版). 2010(03)
[9]基于相空间重构理论与递归神经网络相结合的股票短期预测方法[J]. 马千里,郑启伦,彭宏,钟谭卫. 计算机应用研究. 2007(04)
[10]基于Levenberg-Marquardt算法的神经网络监督控制[J]. 赵弘,周瑞祥,林廷圻. 西安交通大学学报. 2002(05)
博士论文
[1]基于深度学习的网络流量分类及异常检测方法研究[D]. 王伟.中国科学技术大学 2018
硕士论文
[1]基于神经网络方法的A股市场多因子选股策略研究[D]. 吴玉海.电子科技大学 2018
[2]基于数据挖掘技术的股价预测研究[D]. 潘晓东.青岛大学 2018
[3]基于相关性的股票价格预测模型研究[D]. 宁苡鹤.北京邮电大学 2018
[4]深度学习在移动业务预测中的研究与应用[D]. 王思远.北京邮电大学 2018
[5]基于LSTM和灰色模型集成的短期交通流预测[D]. 谈苗苗.南京邮电大学 2017
[6]人工神经网络在股票预测中的应用研究[D]. 肖琪.华南理工大学 2017
[7]激活函数导向的RNN算法优化[D]. 张尧.浙江大学 2017
[8]基于LSTM神经网络的美股股指价格趋势预测模型的研究[D]. 孙瑞奇.首都经济贸易大学 2016
[9]金融时间序列的时序性特点分析及相应的风险测度方法研究[D]. 何洋.哈尔滨工业大学 2015
[10]中国股市技术分析有效性研究[D]. 包懿.上海交通大学 2015
本文编号：3290953
【文章来源】：兰州交通大学甘肃省
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
研究技术路线图
典 BP 神经网络基本原理工神经网络是深度学习概念的一个主要应用工具。它是人类神经系统的一其中包含一系列可以通过轴突相互通信的神经元，它们可以通过实例进行提高性能，是一种自适应学习系统。第一个人工神经元由麦卡洛克和皮提出，旨在为神经活动建立计算模型。之后的很多学者又对该模型进行了比如冯·诺依曼的数字计算机、马文·明斯基和弗兰克·罗森布拉特提等[29]。其中应用最为广泛的便是 BP 神经网络(Back Propagation Neural ，它是一种多层网络的误差反向传播算法。常见的 BP 神经网络一般由输和输出层三层结构组成(图 2.1)。目前，在人工神经网络的众多应用实例是采用 BP 神经网络的结构或是它的变化形式，这也是前馈型神经网络的体现了人工神经网络最精华的部分。
兰州交通大学硕士学位论文当梯度不再下降或达到训练约束时，则停止更新权值，结束整个训练过程，然好的网络进行预测分析。从上式可以看出学习率 的选取对算法的效果起到了用。一方面，如果 过小，则权值会移动的非常缓慢，收敛将会非常的耗时。，如果 过大，则可能出现梯度值呈现波浪形而难以收敛。
【参考文献】：
期刊论文
[1]贝叶斯神经网络在股票时间序列预测中的应用[J]. 刘恒,侯越. 计算机工程与应用. 2019(12)
[2]基于多时间尺度RNN的时序数据预测[J]. 李洁,林永峰. 计算机应用与软件. 2018(07)
[3]深度学习原理及应用综述[J]. 付文博,孙涛,梁藉,闫宝伟,范福新. 计算机科学. 2018(S1)
[4]水平窗口能量计算的股市趋势预测算法[J]. 刘裕国,王浩,姚宏亮,李俊照. 计算机工程与应用. 2017(21)
[5]基于非线性分位数回归模型的多期VaR风险测度[J]. 许启发,张金秀,蒋翠侠. 中国管理科学. 2015(03)
[6]基于新时期沪深300指数的历史模拟法VaR风险度量[J]. 甘霖. 区域金融研究. 2014(03)
[7]基于小波分析与神经网络时间序列的股票预测方法[J]. 王刚,许晓兵. 金融经济. 2013(12)
[8]自回归模型的自回归分析及其应用[J]. 吕效国,王金华,马阿芹,索淑文. 扬州大学学报(自然科学版). 2010(03)
[9]基于相空间重构理论与递归神经网络相结合的股票短期预测方法[J]. 马千里,郑启伦,彭宏,钟谭卫. 计算机应用研究. 2007(04)
[10]基于Levenberg-Marquardt算法的神经网络监督控制[J]. 赵弘,周瑞祥,林廷圻. 西安交通大学学报. 2002(05)
博士论文
[1]基于深度学习的网络流量分类及异常检测方法研究[D]. 王伟.中国科学技术大学 2018
硕士论文
[1]基于神经网络方法的A股市场多因子选股策略研究[D]. 吴玉海.电子科技大学 2018
[2]基于数据挖掘技术的股价预测研究[D]. 潘晓东.青岛大学 2018
[3]基于相关性的股票价格预测模型研究[D]. 宁苡鹤.北京邮电大学 2018
[4]深度学习在移动业务预测中的研究与应用[D]. 王思远.北京邮电大学 2018
[5]基于LSTM和灰色模型集成的短期交通流预测[D]. 谈苗苗.南京邮电大学 2017
[6]人工神经网络在股票预测中的应用研究[D]. 肖琪.华南理工大学 2017
[7]激活函数导向的RNN算法优化[D]. 张尧.浙江大学 2017
[8]基于LSTM神经网络的美股股指价格趋势预测模型的研究[D]. 孙瑞奇.首都经济贸易大学 2016
[9]金融时间序列的时序性特点分析及相应的风险测度方法研究[D]. 何洋.哈尔滨工业大学 2015
[10]中国股市技术分析有效性研究[D]. 包懿.上海交通大学 2015
本文编号：3290953
本文链接：https://www.wllwen.com/jingjilunwen/jinrongzhengquanlunwen/3290953.html
