基于神经网络股票预测模型的研究与实现

发布时间：2020-12-27 15:56

　　股市是国家经济的晴雨表,可以在一定程度上反映经济的稳定性和健康程度,在国家经济体系中具有重要地位。如何能较为准确地预测股票价格及走势是当今产业界和学术界面临的一项重要难题。以深度学习为代表的人工智能技术目前正在被广泛应用于各个领域,其中在金融领域有着广阔的应用前景。深度学习具有从海量数据中学习数据规律的能力,本文借鉴了股票技术分析中使用指标预测价格的思想,设计了一套基于深度神经网络的股票预测模型,模型由两部分组成:特征提取部分和股票预测部分,特征提取模型基于深度自编码器构建,用于从股票的指标数据中提取特征来表示股票当前的状态,预测模型基于长短时记忆神经网络构建,可以根据历史状态预测当前价格。最后使用了dropout和L2正则化方法优化模型,减小模型过拟合的风险。本文使用酿酒板块的数据构建数据集,并设计了多组实验验证模型效果。首先构建了不同深度的自编码器,以预测精度和重构误差为标准比较其编码效果;其次比较了本模型与其他特征提取方法的提取效果,以主成分分析法(PCA)和因子分析法(FA)作为比较对象,深入分析了不同方法的差异;最后比较了本模型与其他预测模型的预测效果和运行时间。实验表明,本... 

【文章来源】：贵州大学贵州省 211工程院校

【文章页数】：75 页

【学位级别】：硕士

【部分图文】：

不同深度编码器编码预测误差结果

41（c）自编码器提取的特征编码图 4-3 股票数据降维后的编码序列直观分析图 4-3 中的特征序列可以得到一些初步结论，使用 PCA 提取出的序列并没有表现出明显的股价走势特征，特征较为杂乱，使用 FA 提取出的

贵州大学硕士研究生学位论文看出大致的趋势特征，使用自编码器提取出的编码序列已可以推测使用自编码器提取的特征预测股票效果最好。以上推测，本文使用上述三种方法提取出的特征序列组票预测模型，并从中拿出了少量数据组成测试集，测试三测结果如图 4-4 所示：

【参考文献】：
期刊论文
[1]基于PCA-FOA-SVR的股票价格预测研究[J]. 王卫红,卓鹏宇.  浙江工业大学学报. 2016(04)
[2]基于马尔科夫状态转换和跳跃的高频波动率模型预测[J]. 马锋,魏宇,黄登仕,夏泽安.  系统工程. 2016(01)



本文编号：2942035