基于深度学习的股票数据分析技术的研究与应用
发布时间：2021-09-24 17:45
随着我国经济的大发展,股票市场也在不断加强建设,投资种类不断丰富,股票研究的核心已经由盈利转移到有效规避风险。为了能更好的以现代投资组合理论指导投资,构建投资组合,分散非系统性风险,本文在股票数据的研究中做了以下工作:首先,本文构建了股价数据的时间序列矩阵。股价数据的具有离散时间序列的典型特征:维度高、数据量大、长短不一致,同时还有数据稀疏问题。本文基于Tu-Share的金融数据接口获取2017-2018年的股票的收盘价数据,并对每只股票基于时间序列的股价进行归一化处理,处理后的数据存在数据稀疏性的问题,以缺失值填充的方法来解决,最终得到可以作为模型输入的时间序列矩阵。其次,本文构建了基于Auto-Encoder的股票交易数据的聚类模型。利用Auto-Encoder算法特征降维的特点提取更高维度特征,削弱了聚类过程提取特征规律时受噪声影响过大的问题。实验证明将该模型用于股票聚类,可以得到高内聚低耦合的聚类结果,证明了模型的可行性,同时新模型可以在大数据量下获得较好的表现,收敛速度也比原模型更快。然后本文建立了基于深度信念网络的股票簇涨势的短期预测模型。在之前的研究中发现作为深度学习常用...
【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
图２－１聚类算法分类图??９??
?其中，Ｚ是各输入分量的线性组合，ｙ是对ｚ应用非线性函数ｇ（Ｚ）所产生的输??出，神经元的基本结构如图２－２所示。??Ｘ２?——ｙ??：?Ｗｒｊ／?＇ｙ??Ｘｎ?＾??图２－２神经元的结构??２．３深度学习框架??２．３．１?Ｓｃｉｋｉｔ－ｌｅａｍ??Ｓｃｉｋｉｔ－ｌｅａｒｎ，即众所周知的ＳＫ－ｌｅａｍ，作为一个机器学习的算法库，ＳＫ－ｌｅａｒｎ??以Ｐｙｔｈｏｎ?ＡＰＩ的形式暴露各种算法。具体来说ＳＫ－ｌｅａｍ通过定义统一的Ｐｙｔｈｏｎ??接口，实现一系列有监督学习和无监督学习的算法，以用于数据挖掘和数据分析，??是专门用于机器学习的模块。??研究过程中的数据预处理问题、数据降维问题、分类问题、回归问题甚至训??练模型的选择都可以通过ＳＫ－ｌｅａｒｎ暴露的ＡＰＩ进项快速实现。ＳＫｌｅａｍ是基于??Ｎｕｍｅｒｉｃａｌ?Ｐｙｔｈｏｎ，?Ｓｃｉｅｎｔｉｆｉｃ?Ｃｏｍｐｕｔｉｎｇ?Ｔｏｏｌｓ?ｆｏｒ?Ｐｙｔｈｏｎ，?Ｍａｔｐｌｏｔｌｉｂ?三个工具库的，??关于这三个工具库介绍如下：??Ｎｕｍｅｒｉｃａｌ?Ｐｙｔｈｏｎ，简称ＮｕｍＰｙ，是Ｐｙｔｈｏｎ实现的开源科学计算包。是一个??数据处理能力较强的工具库，研究过程中需要定义高维数组对象、或者需要矩阵??计算等都可以使用ＮｉｍｉＰｙ工具包。??Ｓｃｉｅｎｔｉｆｉｃ?Ｃｏｍｐｕｔｉｎｇ?Ｔｏｏｌｓ?ｆｏｒ?Ｐｙｔｈｏｎ，简称?ＳｃｉＰｙ：和?ＮｕｍＰｙ?—样是?Ｐｙｔｈｏｎ??实现的高级科学计算包。研宄过程中的数学统计、优化算法、插值运算、图像处??理等问题都可以使用ＳｃｉＰｙ工具包，此外，ＳｃｉＰｙ和ＮｕｍＰｙ是相辅相成的，ＮｕｍＰｙ??可以理解成对象
功率谱、直方图、折线图、条形图等等，满足科研工作者的需求。??Ｓｃｉｋｉｔ－ｌｅａｍ作为机器学习的专用框架，其内部基于Ｐｙｔｈｏｎ实现了各种各样??成熟的算法，样例丰富，安装简便，代码开源，在使用时，我们可以根据图２－３??进行算法的选择，并且教程和文档描述得非常详细，让使用者的使用过程也很便??捷，满足科研工作者的多种需求。??／?分类?ｓｃｉｋｉｔ－ｌｅａｍ??／?班?＼?算法选择路径图??＼?一?，７ＴＸＰ?，??ｒａ?．ｉｆｉＴａ；?＼?ＳＩ?＇?＇．．Ｊ??１＿１?＾?＼??、ｒ?／?藏?ＥａＨ??＠?ｉｅａｄｎ??图２－３?ｓｃｉｋｉｔ－ｌｅａｍ算法选择路径图??Ｓｃｉｋｉｔ－ｌｅａｍ开源框架的优点是使用简单、模型经过筛选且质量高、覆盖了大??多数机器学习任务、可扩展至较大的数据规模。缺点是灵活性低、不支持深度学??习和强化学习、不支持图模型和序列预测。??２．３．２?Ｋｅｒａｓ??Ｋｅｒａｓ是一个高层神经网络ＡＰＩ，是基于Ｔｈｅａｎｏ的一个深度学习框架，它的??设计参考了?Ｔｏｒｃｈ，用纯Ｐｙｔｈｏｎ语言编写而成，并基Ｔｈｅａｎｏ和Ｔｅｎｓｏｒｆｌｏｗ的深??度学习库以及ＣＮＴＫ后端。??Ｋｅｒａｓ是一个高度模块化的神经网络库，其为支持快速实验而生，通过简易??和快速的原型设计，支持ＣＮＮ和ＲＮＮ或二者的结合，可以实现ＣＰＵ和ＧＰＵ的??无缝切换。??Ｋｅｒａｓ的特点是：极简
【参考文献】：
期刊论文
[1]基于神经网络集成学习股票预测模型的研究[J]. 谢琪,程耕国,徐旭. 计算机工程与应用. 2019(08)
[2]时态神经网络模型及其在股票分类预测上应用[J]. 邱一豪,孟志青. 计算机工程与应用. 2019(15)
[3]多元线性回归模型及股票板块指数预测[J]. 李勇. 全国流通经济. 2017(10)
[4]基于自适应遗传算法优化的BP神经网络股票价格预测[J]. 郝继升,任浩然,井文红. 河南科学. 2017(02)
[5]深度信念网络（DBN）网络层次数量的研究及应用[J]. 高强,马艳梅. 科学技术与工程. 2016(23)
[6]基于复杂网络理论的股票聚类分析[J]. 林少锋,张勇. 曲靖师范学院学报. 2016(03)
[7]深度信念网络研究综述[J]. 丁美昆,徐昱琳,蒋财军. 工业控制计算机. 2016(04)
[8]基于深度信念网络的在线视频热度预测[J]. 陈亮,张俊池,王娜,李霞,陈宇环. 计算机工程与应用. 2017(09)
[9]股票市场中主成分分析及聚类分析的综合应用[J]. 郭茜. 科技风. 2013(11)
[10]时间序列模型和神经网络模型在股票预测中的分析[J]. 刘海玥,白艳萍. 数学的实践与认识. 2011(04)
硕士论文
[1]基于深度学习的股票预测方法的研究与实现[D]. 周恺越.北京邮电大学 2018
[2]模糊C-均值聚类在股票投资中的应用[D]. 宋宗香.东北石油大学 2017
[3]面向失衡数据的稀疏性问题的研究[D]. 冯雪圆.哈尔滨理工大学 2016
[4]基于PCA-NBC算法的股票分类研究[D]. 王志.兰州大学 2014
[5]基于蚁群聚类算法的股票板块分类研究[D]. 张传琦.复旦大学 2012
[6]BP神经网络的改进研究及应用[D]. 刘天舒.东北农业大学 2011
[7]BP神经网络算法改进及应用研究[D]. 黄丽.重庆师范大学 2008
[8]BP神经网络在股票预测中的应用研究[D]. 王莎.中南大学 2008
[9]BP神经网络用于市场预测的研究[D]. 戴丹.武汉理工大学 2006
本文编号：3408172
【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
图２－１聚类算法分类图??９??
?其中，Ｚ是各输入分量的线性组合，ｙ是对ｚ应用非线性函数ｇ（Ｚ）所产生的输??出，神经元的基本结构如图２－２所示。??Ｘ２?——ｙ??：?Ｗｒｊ／?＇ｙ??Ｘｎ?＾??图２－２神经元的结构??２．３深度学习框架??２．３．１?Ｓｃｉｋｉｔ－ｌｅａｍ??Ｓｃｉｋｉｔ－ｌｅａｒｎ，即众所周知的ＳＫ－ｌｅａｍ，作为一个机器学习的算法库，ＳＫ－ｌｅａｒｎ??以Ｐｙｔｈｏｎ?ＡＰＩ的形式暴露各种算法。具体来说ＳＫ－ｌｅａｍ通过定义统一的Ｐｙｔｈｏｎ??接口，实现一系列有监督学习和无监督学习的算法，以用于数据挖掘和数据分析，??是专门用于机器学习的模块。??研究过程中的数据预处理问题、数据降维问题、分类问题、回归问题甚至训??练模型的选择都可以通过ＳＫ－ｌｅａｒｎ暴露的ＡＰＩ进项快速实现。ＳＫｌｅａｍ是基于??Ｎｕｍｅｒｉｃａｌ?Ｐｙｔｈｏｎ，?Ｓｃｉｅｎｔｉｆｉｃ?Ｃｏｍｐｕｔｉｎｇ?Ｔｏｏｌｓ?ｆｏｒ?Ｐｙｔｈｏｎ，?Ｍａｔｐｌｏｔｌｉｂ?三个工具库的，??关于这三个工具库介绍如下：??Ｎｕｍｅｒｉｃａｌ?Ｐｙｔｈｏｎ，简称ＮｕｍＰｙ，是Ｐｙｔｈｏｎ实现的开源科学计算包。是一个??数据处理能力较强的工具库，研究过程中需要定义高维数组对象、或者需要矩阵??计算等都可以使用ＮｉｍｉＰｙ工具包。??Ｓｃｉｅｎｔｉｆｉｃ?Ｃｏｍｐｕｔｉｎｇ?Ｔｏｏｌｓ?ｆｏｒ?Ｐｙｔｈｏｎ，简称?ＳｃｉＰｙ：和?ＮｕｍＰｙ?—样是?Ｐｙｔｈｏｎ??实现的高级科学计算包。研宄过程中的数学统计、优化算法、插值运算、图像处??理等问题都可以使用ＳｃｉＰｙ工具包，此外，ＳｃｉＰｙ和ＮｕｍＰｙ是相辅相成的，ＮｕｍＰｙ??可以理解成对象
功率谱、直方图、折线图、条形图等等，满足科研工作者的需求。??Ｓｃｉｋｉｔ－ｌｅａｍ作为机器学习的专用框架，其内部基于Ｐｙｔｈｏｎ实现了各种各样??成熟的算法，样例丰富，安装简便，代码开源，在使用时，我们可以根据图２－３??进行算法的选择，并且教程和文档描述得非常详细，让使用者的使用过程也很便??捷，满足科研工作者的多种需求。??／?分类?ｓｃｉｋｉｔ－ｌｅａｍ??／?班?＼?算法选择路径图??＼?一?，７ＴＸＰ?，??ｒａ?．ｉｆｉＴａ；?＼?ＳＩ?＇?＇．．Ｊ??１＿１?＾?＼??、ｒ?／?藏?ＥａＨ??＠?ｉｅａｄｎ??图２－３?ｓｃｉｋｉｔ－ｌｅａｍ算法选择路径图??Ｓｃｉｋｉｔ－ｌｅａｍ开源框架的优点是使用简单、模型经过筛选且质量高、覆盖了大??多数机器学习任务、可扩展至较大的数据规模。缺点是灵活性低、不支持深度学??习和强化学习、不支持图模型和序列预测。??２．３．２?Ｋｅｒａｓ??Ｋｅｒａｓ是一个高层神经网络ＡＰＩ，是基于Ｔｈｅａｎｏ的一个深度学习框架，它的??设计参考了?Ｔｏｒｃｈ，用纯Ｐｙｔｈｏｎ语言编写而成，并基Ｔｈｅａｎｏ和Ｔｅｎｓｏｒｆｌｏｗ的深??度学习库以及ＣＮＴＫ后端。??Ｋｅｒａｓ是一个高度模块化的神经网络库，其为支持快速实验而生，通过简易??和快速的原型设计，支持ＣＮＮ和ＲＮＮ或二者的结合，可以实现ＣＰＵ和ＧＰＵ的??无缝切换。??Ｋｅｒａｓ的特点是：极简
【参考文献】：
期刊论文
[1]基于神经网络集成学习股票预测模型的研究[J]. 谢琪,程耕国,徐旭. 计算机工程与应用. 2019(08)
[2]时态神经网络模型及其在股票分类预测上应用[J]. 邱一豪,孟志青. 计算机工程与应用. 2019(15)
[3]多元线性回归模型及股票板块指数预测[J]. 李勇. 全国流通经济. 2017(10)
[4]基于自适应遗传算法优化的BP神经网络股票价格预测[J]. 郝继升,任浩然,井文红. 河南科学. 2017(02)
[5]深度信念网络（DBN）网络层次数量的研究及应用[J]. 高强,马艳梅. 科学技术与工程. 2016(23)
[6]基于复杂网络理论的股票聚类分析[J]. 林少锋,张勇. 曲靖师范学院学报. 2016(03)
[7]深度信念网络研究综述[J]. 丁美昆,徐昱琳,蒋财军. 工业控制计算机. 2016(04)
[8]基于深度信念网络的在线视频热度预测[J]. 陈亮,张俊池,王娜,李霞,陈宇环. 计算机工程与应用. 2017(09)
[9]股票市场中主成分分析及聚类分析的综合应用[J]. 郭茜. 科技风. 2013(11)
[10]时间序列模型和神经网络模型在股票预测中的分析[J]. 刘海玥,白艳萍. 数学的实践与认识. 2011(04)
硕士论文
[1]基于深度学习的股票预测方法的研究与实现[D]. 周恺越.北京邮电大学 2018
[2]模糊C-均值聚类在股票投资中的应用[D]. 宋宗香.东北石油大学 2017
[3]面向失衡数据的稀疏性问题的研究[D]. 冯雪圆.哈尔滨理工大学 2016
[4]基于PCA-NBC算法的股票分类研究[D]. 王志.兰州大学 2014
[5]基于蚁群聚类算法的股票板块分类研究[D]. 张传琦.复旦大学 2012
[6]BP神经网络的改进研究及应用[D]. 刘天舒.东北农业大学 2011
[7]BP神经网络算法改进及应用研究[D]. 黄丽.重庆师范大学 2008
[8]BP神经网络在股票预测中的应用研究[D]. 王莎.中南大学 2008
[9]BP神经网络用于市场预测的研究[D]. 戴丹.武汉理工大学 2006
本文编号：3408172
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3408172.html
