面向股票价格预测的深度学习过拟合问题研究及其优化

发布时间：2022-02-12 22:16

　　准确地预测股票价格对降低投资者的风险有着十分重要的意义。投资者可以通过对股价的合理预测来确定自身的投资组合,从而规避风险,获取更大的收益。虽然深度学习已经在股票价格预测上拥有很多的研究成果与实际应用,但是,仍然存在着泛化能力较弱,训练容易导致过拟合等基本问题,模型在预测阶段的表现较差。通常,数据增强以及合理调整模型架构能够有效地避免这类情况发生。本文主要针对长短期记忆网络（LSTM）在股票价格预测时泛化能力不强,训练容易导致过拟合的问题,提出了三种不同的解决方案。其中,前两个方案主要是基于数据增强的方式,对数据集进行合理扩充,并结合不同的功能模块对数据进行预处理来提高模型的泛化能力。第三个方案提出了一种全新的架构,该架构能有效防止过拟合问题,具有较强的泛化能力。本文的主要创新点如下:（1）提出了一个基于生成对抗网络（GAN）的数据增强模型c WDCGAN-LSTM。该方案创新地将GAN用到了股价数据的增强上,其核心在于利用GAN生成与真实股价数据分布相同并且相关性较高的数据。通过这种数据增强的方式,能够在一定程度上提升LSTM的预测性能。（2）提出了一个基于跨市场数据的数据增强模型MM... 

【文章来源】：深圳大学广东省

【文章页数】：72 页

【学位级别】：硕士

【部分图文】：

LSTMsigmoidt-1xt-xt输入门

LSTM块的结构

生成对抗网络()

【参考文献】：
期刊论文
[1]量化投资的特点、策略和发展研究[J]. 陈健,宋文达.  时代金融. 2016(29)



本文编号：3622482