基于深度学习的股票市场预测模型和评估方法研究与应用

发布时间：2021-12-02 08:14

　　伴随着全球经济一体化进程飞速发展,股票市场在全球经济中扮演着越来越重要的角色,准确的对股票市场进行预测具有重要的社会经济价值;股票市场拥有来源广泛而异质的海量数据,这样的数据特性为捕捉股票市场中的隐含规律和关联进行准确预测提出了新的挑战,其研究具有重要的学术价值。近年来,深度学习在计算机视觉、语音和自然语言处理等多个领域取得了令人瞩目的进展,展示出其具有处理各种数据类型,特别是多尺度（秒分时天周等不同时间尺度）、多源（股票市场、社交网络和门户网站等不同来源）和异质（数值、文本和图像等不同形式）数据的强大能力,为预测具有多尺度、多来源且异质特性的股票市场提供了强有力的工具。本文在深入研究股票市场预测问题的特点、广泛分析已有相关研究工作的基础上,针对股票市场预测技术的三个关键问题提出了一系列的解决方法,并在多个公开真实数据集上进行了有效性验证。具体而言,本文的主要研究工作和成果包括:针对股票数据的多尺度特性,提出了一个多尺度循环卷积网络（Multi-Scale Recurrent Convolutional Neural Network,MS-RCNN）模型进行股票市场预测。股票数据的多尺... 

【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】：121 页

【学位级别】：博士

【部分图文】：

图２－１循环神经网络结构??

北京邮电大学工学博士学位论文???＼１／?＼１／??Ｉｎｐｕｔ?Ｇａｔｅ?（?ｌ?ｊ?Ｏｕｔｐｕｔ?Ｇａｔｅ?（?０?）??（＾??Ｖｓ??ｆ?ｆ?］?Ｆｏｒｇｅｔ?Ｇａｔｅ???Ｋ！ｌ???／ｌ＼??图２－２长短时记忆结构??如图２－２所示，每个ＬＳＴＭ单元具有由三个门限（ｉｎｐｕｔ，ｆｏｒｇｅｔ和ｏｕｔｐｕｔ）??以及一个Ｃｅｌｌ单元，其隐变量更新公式如下：??／ｔ?＝?ｃｒ（＼Ａ＾［ｈｔ＿１，?ｘｔ］）??ｉｔ?＝?＾（ｙ＾ｉｌｈｔ－ｉ，ｘｔ］）??°ｔ?＝?＾ｔｌ）??Ｑｔ?＝?Ｑｔ－ｉ?＊?ｆｔ?＋?ｈ?＊（Ｗｃ［ｈｔ＿ｉ－＾ｔ］）??ｈｔ?＝?ｏｔ＊?ｔａｎｈ（Ｑｔ）?（２－３）??这里，；ｃｔ是ｔ时刻的输入，＼是【时刻的隐变量，Ｑｔ是细胞单元ｔ时刻的值，??Ｗｐ分别是三个门限以及细胞单元更新所使用的参数。为了简化表??达，公式中的偏置项被省略。ＬＳＴＭ通过门限操作来对当前输入信息以及历史输??入信息进行选择和过滤，综合考虑当前和历史的信息来更新细胞单元，从而更新??隐变量的值，在一些需要处理长序列输入场景取得很好的效果而得到广泛应用，??如文本的序列标注Ｍ以及文本分类［８７］等领域。??ＬＳＴＭ在更新隐变量的时候采用了非线性操作，在处理长序列的时候，多次??非线性操作会增加了模型的复杂程度导致模型隐变量学习的在某些场景下难以??学习或者需要大量数据才能学习到。??１８??

第二章基本相关信息??２．２．１．３门限循环单元模型??门限循环单元（Ｇａｔｅｄ?Ｒｅｃｕｒｒｅｎｔ?Ｕｎｉｔ，?ＧＲＵ）間相对ＬＳＴＭ结构来说，其是??对ＬＳＴＭ的结构进行简化的同时保持解决长依赖问题以及训练时的梯度消失和??梯度爆照问题能力的一种循环祌经网络。如图２－３所示，ＧＲＵ相对于ＬＳＴＭ合??并了输入（ｉｎｐｕｔ）和遗忘（ｆｏｒｇｅｔ）门限（Ｇａｔｅ），减少了细胞单兀（Ｃｅｌｌ）。同时，??其隐变量更新改变为线性操作，而ＬＳＴＭ是非线性操作。??因此，ＧＲＵ参数规模更小，更加适合数据关系复杂程度不高的情况。在这??种复杂程度不高情况下，会比ＬＳＴＭ获得更好的效果Ｉ８９］。其隐变量更新公式如??下：??ｒｔ?＝?ａ（Ｗｒｘｔ＋Ｕｒｈｔ＾）??ｚｔ?＝?ＣＴ＾Ｘｔ＋Ｕ＾ｔ＾）??ｈ＇ｔ?＝?ｔａｎｈ（Ｗｆｔｘｔ＋Ｕｒ（ｒｔ?＊?ｈｔ＿ｘ））??ｈｔ?＝?（１?＋?ｚｔｈ＇ｔ?（２－４）??０??—－０?——■——－ｈｔ??？?＿?＿?？???／Ｋ?Ａ??图２－３门限循环单元结构??１９??


本文编号：3528059