基于人工智能算法的股票价格波动规律预测方法研究

发布时间：2017-10-17 19:47

  本文关键词：基于人工智能算法的股票价格波动规律预测方法研究

  更多相关文章： 股票交易市场 特征提取 支持向量机 神经网络 AdaBoost

【摘要】：从股票交易市场诞生以来,为了提高投资收益率降低投资风险率,不断有人使用不同方式方法研究股票市场运行规律来预测其未来的波动规律。然而,由于股票市场的交易受到政治经济形势、金融政策和重大消息等诸多因素的影响,使得股价走势变幻莫测,想要准确预测股票交易价格波动规律是一项极其困难的工作。在股票交易市场这个极为复杂的交易系统中,它所具有的动荡性、非线性、高噪音以及高冗余等因素决定了股票交易价格波动规律预测的过程的复杂与困难程度,已经存在的预测方法很难建立有效而又精确的股票交易价格波动规律预测模型。人工智能领域发展至今,该领域已经有很多成熟的学习算法与模型可以解决高噪音、非线性等不利条件下的预测问题,如:随机森林算法、支持向量机、BP神经网络算法、RBF神经网络算法以及深度神经网络算法等。通过对已有的股票交易价格相关预测模型不足之处的仔细研究,本文针对股票交易价格波动规律的高噪音、高冗余、动荡性以及非线性等不利于预测模型建立的因素,提出了一个新的预测模型。具体做法如下:首先将传统的预测单个交易日股票交易价格涨幅的回归学习问题转换为预测一段时间区间内是否会出现某个交易日收盘价相对于参考交易日收盘价的涨幅超过用户预期涨幅值的二类分类学习问题。这样做可以减少原先回归学习问题中存在的噪音与冗余,缓解由股票交易价格交易频繁而导致的动荡性。然后,为进一步的减少含在作为原始特征的技术指标中的噪音,我们使用基于RBM结构的深度神经网络学习算法对原始特征向量进行特征提取,抽取原先特征中的内在信息,提升最终模型的计算精度。随后,基于核技术的支持向量机算法与BP神经网络算法被用来从两个不同的角度对股票交易价格波动规律预测问题进行学习。支持向量机算法对处理二类分类问题有较好的学习能力,随着核技术的引入,支持向量机具有了非线性学习能力,故被用来预测股票交易价格波动规律是较为合适的;为了进一步的学习股票交易价格波动规律中隐含的非线性知识,BP神经网络算法被用来构建预测模型,提升总体预测模型学习非线性关系的能力。最后为了将支持向量机与BP神经网络算法的优点相结合,Ada Boost提升算法被用来学习最终的股票交易价格波动规律预测模型。10重交叉验证与Leave-one-out交叉验证的相关实验证明本文提出的股票交易价格波动规律预测方法是有效的,精确度相当可观,投资者可以参考该方法的预测结果进行实际股票涨跌的投资判断。
【关键词】：股票交易市场 特征提取 支持向量机 神经网络 AdaBoost
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F830.91;TP18
【目录】：

• 摘要4-6
• Abstract6-10
• 第一章 绪论10-18
• 1.1 研究背景10-12
• 1.2 研究现状12-15
• 1.3 主要研究内容15-16
• 1.4 论文结构16-18
• 第二章 股票交易价格预测的关键性问题及本文方法18-28
• 2.1 股票交易价格预测面临的关键问题18-20
• 2.2 股票交易价格预测的影响因素20-22
• 2.3 已有的股票交易价格预测分析方法22-24
• 2.4 本文的股票交易价格波动规律预测方法24-26
• 2.5 预测性能评价指标26-27
• 2.6 总结27-28
• 第三章 基于深度学习的特征提取28-36
• 3.1 深度学习算法28-31
• 3.2 特征表示与特征处理31-33
• 3.3 实验验证33-35
• 3.4 总结35-36
• 第四章 基于Ada Boost提升算法的支持向量机算法与BP人工神经网络算法的融合36-57
• 4.1 支持向量机36-43
• 4.1.1 线性可分支持向量机36-40
• 4.1.2 线性支持向量机算法与软间隔距离最大化40-41
• 4.1.3 非线性支持向量机与核函数41-43
• 4.2 BP神经网络算法43-49
• 4.2.1 搭建BP人工神经网络算法模型44-46
• 4.2.2 训练BP人工神经网络算法46-48
• 4.2.3 BP人工神经网络算法中存在的不足48-49
• 4.3 AdaBoost提升算法49-52
• 4.4 实验验证52-56
• 4.4.1 10重交叉验证试验结果52-55
• 4.4.2 Leave-One-Out交叉验证试验结果55-56
• 4.5 总结56-57
• 第五章 总结与展望57-59
• 5.1 本文工作总结57-58
• 5.2 研究展望58-59
• 参考文献59-63
• 作者简介及在学期间所取得的科研成果63-64
• 致谢64

【参考文献】

中国期刊全文数据库 前10条

1 赵瑾;周栗仙;黄泽林;刘郁文;;我国股票市场与房地产市场的协整关系研究[J];中国市场;2016年07期

2 黄同愿;陈芳芳;;基于SVM股票价格预测的核函数应用研究[J];重庆理工大学学报(自然科学);2016年02期

3 巫梦怡;;论熔断机制在中国股票市场的适用性[J];商;2016年04期

4 张昭旭;;CNN深度学习模型用于表情特征提取方法探究[J];现代计算机(专业版);2016年03期

5 姜季春;马丹;;基于AdaBoost改进的多分类器动态集成算法[J];计算机工程与设计;2015年11期

6 郑文龙;都金康;;基于BP神经网络的玛纳斯河流域雪盖率预测[J];南京大学学报(自然科学);2015年05期

7 裴松年;杨秋翔;刘忠宝;;基于信度的BP神经网络[J];微电子学与计算机;2015年09期

8 廖洪一;王欣;;基于极限学习机的股票价格预测[J];计算机与现代化;2014年12期

9 李磊;;基于spss的股票量化投资决策[J];北方经贸;2014年10期

10 吕启;窦勇;牛新;徐佳庆;夏飞;;基于DBN模型的遥感图像分类[J];计算机研究与发展;2014年09期

，

本文编号：1050707