神经网络和深度学习在量化投资中的应用

发布时间：2020-07-08 12:49

【摘要】：谷歌Alphago在围棋比赛中以压倒性优势击败著名九段棋手李世石的消息引起了人们极大的关注,人工智能和深度学习也开始为更多的人所了解。深度学习是在人工神经网络的基础上提出的,它是包含多个隐含层的神经网络,相比于简单的神经网络它具备更加强大的学习能力,能够对数据做出更高层次的抽象,因此实际应用效果也更好。但是深度神经网络的训练一直是个难题,在2006年以前,深度神经网络很少在机器学习领域被提起,因为它不好训练,而且很容易过度拟合导致泛化能力差。直到2006年,Hinton[6]教授提出了深度学习的概念,并通过逐层训练的方法解决了深度神经网络难以训练的问题。之后,Hinton[7]等人又提出了解决神经网络过度拟合的Dropout方法,使得深度网络的泛化能力得到提高。目前,深度学习已经广泛的应用到了图像识别、语音识别以及自然语言处理等领域,并掀起了研究的热潮。本文中将对神经网络和深度学习的理论进行简介和概述,并尝试将这些理论模型应用到金融数据中以检验其实际应用效果。全文共分为四章：第一章简单介绍神经网络和深度学习的发展以及本文的组织结构；第二章则详细介绍简单神经网络以及它的一些改进方法；第三章介绍深度学习的障碍以及深度学习模型；第四章则将神经网络和深度学习方法应用到股指期货数据中并比较分析两者效果。文中从最基础的感知机模型开始介绍神经网络,之后介绍sigmoid神经元以及神经网络,介绍完神经网络接着介绍它的训练方法以及训练中最常用最基础的误差反向传播算法。之后会对神经网络中的一些问题进行分析并针对具体问题介绍它的相应改善方法。在介绍完简单的神经网络以后,本文会以一个具体例子来介绍深度神经网络训练时的困难之处,然后会介绍使这些困难得到成功解决的深度学习模型。其中会讲到受限玻尔兹曼机,它是深度信念网络的基础,文中会对它做详细介绍；还会讲到另外一种在图像识别中常用的深度学习模型卷积神经网络模型,文中会对其核心思想进行详细介绍。在介绍完理论部分后,文章的最后尝试将简单神经网络和深度学习模型应用到股指期货收盘价涨跌预测中,其中模型输入会用到当前交易时刻的价格、交易数据以及部分技术指标,输出则是下一个交易时刻收盘价的涨跌,若上涨则输出为1若下跌则为0,模型训练好以后我们输入新的数据,并将模型输出与真实数据进行比较,从而判断模型的应用效果,并分别对简单神经网络和深度学习模型应用效果进行分析比较。
【学位授予单位】：山东大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP183;F830.9

【相似文献】

相关期刊论文 前10条

1 袁成;张榆平;梁洲;张陈方;;受限玻尔兹曼机在装备保障方案评价中的应用[J];太赫兹科学与电子信息学报;2016年06期

2 曾维亮;林志贤;陈永洒;;基于卷积神经网络的智能冰箱果蔬图像识别的研究[J];微型机与应用;2017年08期

3 张兆晨;冀俊忠;;基于卷积神经网络的fMRI数据分类方法[J];模式识别与人工智能;2017年06期

4 范哲;;浅析卷积神经网络[J];科学技术创新;2017年24期

5 龚岩;;基于神经网络的目标图像识别方法分析[J];电子世界;2017年12期

6 许静;朱永利;;基于受限玻尔兹曼机的变压器故障分类[J];电力科学与工程;2016年07期

7 贺鹏程;;基于类别条件的受限玻尔兹曼机改进设计[J];计算机与数字工程;2016年08期

8 陆萍;陈志峰;施连敏;;RBM学习方法对比[J];计算机时代;2014年11期

9 麦超;邹维宝;;稀疏受限玻尔兹曼机研究综述[J];计算机工程与科学;2017年07期

10 杨莹;吴诚炜;胡苏;;基于受限玻尔兹曼机的中文文档分类[J];科技创新导报;2012年16期

相关会议论文 前10条

1 宋博扬;王凯帅;刘冠杉;;卷积神经网络在UUV上图像识别的应用[A];第六届中国指挥控制大会论文集（上册）[C];2018年

2 唐业辉;许超;郭天宇;王云鹤;;多级卷积神经网络[A];第十二届全国信号和智能信息处理与应用学术会议论文集[C];2018年

3 林升;扈啸;陈跃跃;;基于卷积神经网络的机场图像目标识别[A];第二十一届计算机工程与工艺年会暨第七届微处理器技术论坛论文集[C];2017年

4 杜延春;李贻斌;王桂月;;基于遗传算法的对角回归神经网络[A];2007中国控制与决策学术年会论文集[C];2007年

5 姚焕炯;徐朝树;李波;;基于神经网络的激光扫描数据拟合[A];中国测绘学会九届四次理事会暨2008年学术年会论文集[C];2008年

6 姚焕炯;徐朝树;李波;;基于神经网络的激光扫描数据拟合[A];第十届中国科协年会论文集（一）[C];2008年

7 张广远;万强;曹海源;田方涛;;基于遗传算法优化神经网络的故障诊断方法研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

8 王晓琳;伍海华;;遗传算法和神经网络在汇率预测中的应用[A];2006中国控制与决策学术年会论文集[C];2006年

9 高慧;赵建玉;贾磊;;基于前向型神经网络的短时交通流预测研究[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年

10 公延飞;范杰清;郝建红;;神经网络在腔体损耗因子预测中的应用[A];2014年全国电磁兼容与防护技术学术会议论文集[C];2014年

相关重要报纸文章 前10条

1 ;神经网络小史[N];电子报;2018年

2 记者 孙刚;“神经网络”：打开复杂工艺“黑箱”[N];解放日报;2007年

3 张允硕 姜正义 甄海锋 河南理工大学;基于神经网络的自适应PID控制的智能衣架[N];科学导报;2019年

4 湖北日报全媒记者 张爱虎 通讯员 徐向军 实习生 于蓝;一群“90后”率先建成铁路“神经网络”[N];湖北日报;2019年

5 记者 刘霞;忆阻器制成神经网络更高效[N];科技日报;2017年

6 整理 本报记者 诸玲珍 顾鸿儒;微软神经网络切割法可使加速作用超线性[N];中国电子报;2018年

7 张敏;人机大战，到底谁会赢？[N];北京日报;2017年

8 ;人工智能将取得大面积突破[N];中国企业报;2017年

9 本报记者 龚丹韵;人机大战：人类还有优势吗[N];解放日报;2017年

10 ;人类正迎来云端机器人时代[N];中国企业报;2017年

相关博士学位论文 前10条

1 马学思;受限玻尔兹曼机学习算法研究[D];北京邮电大学;2016年

2 罗恒;基于协同过滤视角的受限玻尔兹曼机研究[D];上海交通大学;2011年

3 连自锋;基于深层神经网络的图像识别算法研究[D];北京邮电大学;2017年

4 薛迪秀;基于卷积神经网络的医学图像癌变识别研究[D];中国科学技术大学;2017年

5 沈晴;面向交通拥堵预测大数据的神经网络群组快速学习[D];北京科技大学;2017年

6 殷翔;语音合成中的神经网络声学建模方法研究[D];中国科学技术大学;2016年

7 王娜;地质大数据功能分析及其分类算法研究[D];吉林大学;2019年

8 李嘉;基于卷积神经网络的心律失常自动分类关键技术研究[D];吉林大学;2019年

9 王金玲;基于连续和离散复杂系统的稳定性及耗散性分析[D];新疆大学;2019年

10 徐梦佳;基于深度卷积神经网络的多模态医学影像分析方法研究[D];东北大学;2017年

相关硕士学位论文 前10条

1 白凯敏;神经网络和深度学习在量化投资中的应用[D];山东大学;2016年

2 张怡康;基于受限玻尔兹曼机的深度学习方法研究[D];北京化工大学;2016年

3 陈硕;深度学习神经网络在语音识别中的应用研究[D];华南理工大学;2013年

4 万程;自适应基数受限玻尔兹曼机[D];清华大学;2015年

5 张艳霞;基于受限玻尔兹曼机的深度学习模型及其应用[D];电子科技大学;2016年

6 王芳;基于深度信念网络的资源检索与推荐系统[D];北京邮电大学;2015年

7 糜帅;基于曲率信息的受限玻尔兹曼机训练算法[D];天津大学;2016年

8 刘思萌;高斯分布受限玻尔兹曼机及其高维扩展[D];北京工业大学;2017年

9 马贝;基于受限玻尔兹曼机的推荐算法研究[D];东南大学;2015年

10 滕建磊;基于深度置信网络的构造煤分布预测模型研究[D];中国矿业大学;2019年

本文编号：2746559