基于深度学习的混合股指预测模型研究
发布时间：2021-01-08 06:47
在国内市场经济体制持续改善的背景下,股票市场在我国经济体系中占有越来越重要的地位,参与股票投资的人也逐渐增加。股票价格的波动影响着社会经济生活的各个方面,因而有效预测股票走势在实际应用方面存在很大的价值。传统的时间序列预测模型一般只能找到数据之间的线性关系,而股票数据本质上是高噪声的、动态的和非线性的。与传统方法相比,深度学习理论凭借其强大的自学习能力和非线性逼近能力,能够很好地解决股票预测中数据众多、非线性关系复杂等问题。本文以深度学习理论为基础,探究了人工神经网络在股指预测上的可行性,主要研究工作如下:（1）股指收盘价受诸多因素影响,因此数据集必须能够包含尽可能全面的指标。除了选取最常见的“四价一量”（开盘价、收盘价、最高价、最低价和成交量）等基本指标,本文还在股指日线数据的基础上计算出了相关的技术指标,建立了股指预测的指标体系。（2）构建了一个融合卷积神经网络（Convolutional Neural Network,CNN）和门控循环单元（Gated Recurrent Unit,GRU）神经网络的混合股指预测模型。针对股指数据高维度、高噪音的特点,利用CNN优秀的特征提取能力...
【文章来源】： 从筱卿 江西财经大学
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
CNN结构图
第2章相关理论15图2-2RNN结构展开图RNN的前向传播可以表示为：11tttsttosxsbosbUWV（2.16)其中，ts表示t时刻的隐藏状态，tx表示t时刻的输入数据，t1o表示t+1时刻的输出；为非线性激活函数；U为输入层和隐藏层之间的权值矩阵，W为隐藏层与其自身在相邻时间步长之间的权值矩阵，V为隐藏层和输出层之间的权值矩阵，sb、ob是偏置向量。计算中涉及到的参数是共享的，因此理论上来说，任意长度的序列数据都能被RNN处理。ts的计算依赖于t1s，t1s的计算又依赖于t2s，以此类推，RNN中某一时刻的状态依赖于过去所有时刻的状态。2.3.2长短时记忆神经网络在实际运用中，RNN往往面临训练困难的问题。在RNN沿序列反向传播的过程中，因为网络展开的较长，误差需要归因到每一层的每个神经元上，这就导致了梯度将与从当前时间步长一直到初始时间步长的网络权值相乘。由于这种乘法累加，权重会对梯度造成不小的影响，若权重较小，则梯度会消失，而较大的权重则会致使梯度发生爆炸[47]。为了解决这个难题，Hochreiter和Schmidhuber[48]（1997）提出了LSTM神经网络。LSTM神经网络是在RNN的基础上改进得到的，它将RNN隐藏层中的神经元替换为3个存储单元，即输入门、遗忘门和输出门。在反向传播过程中，这3个存储单元能够利用修正的权值有选择地遗忘或部分（全部）接受前一时刻的信息。LSTM神经网络的基本结构如图2-3所示。
基于深度学习的混合股指预测模型研究16图2-3LSTM神经网络结构图LSTM神经网络的第一步是由“遗忘门”决定从单元状态中哪些信息被丢弃。它通过观察前一时刻的隐藏状态和当前时刻的输入来输出一个介于0~1的向量，此向量反映了上一时刻记忆单元中的哪些信息被保留，1说明“完全保存历史信息”，0说明“完全忽略历史信息”。ttt1ffxhbxfhfWW（2.17）其中，xfW、hfW、表示“遗忘门”的权重和偏置；通常是一个sigmoid函数。下一步是确定将哪些新信息存储到单元状态中。这一步可以细分为两个步骤：首先，“输入门”用于控制当前时刻输入数据有多少可以保存到记忆单元中；然后，tanh层构建一个新的候选值向量添加到记忆单元中。ttt1iixhbxihiWW（2.18）1tanhtttccxhbxchcWW（2.19）其中，xiW、hiW、表示“输入门”的权重和偏置，xcW、hcW、表示记忆单元的权重和偏置。当前时刻记忆单元是由前一时刻记忆单元和候选值向量分别与“遗忘门”和“输入门”加权相加求得的。该操作可以让网络有选择地丢弃历tft1htxt1cfbtitcàà=ibcbtct1ctcàà=tfti
【参考文献】：
期刊论文
[1]基于LSTM的股票价格预测建模与分析[J]. 彭燕,刘宇红,张荣芬. 计算机工程与应用. 2019(11)
[2]基于特征选取与LSTM模型的股指预测方法研究[J]. 陈佳,刘冬雪,武大硕. 计算机工程与应用. 2019(06)
[3]基于深度门控循环单元神经网络的短期风功率预测模型[J]. 牛哲文,余泽远,李波,唐文虎. 电力自动化设备. 2018(05)
[4]稀疏VAR在股票收益率研究的应用[J]. 胡亚南,张陶陶,李蕾,田茂再. 数理统计与管理. 2017(04)
[5]基于ARIMA模型的短期股票价格预测[J]. 吴玉霞,温欣. 统计与决策. 2016(23)
[6]基于误差校正的灰色神经网络股票收益率预测[J]. 于志军,杨善林,章政,焦健. 中国管理科学. 2015(12)
[7]股票价格短期预测的LM遗传神经网络算法[J]. 肖菁,潘中亮. 计算机应用. 2012(S1)
[8]基于小波和神经网络相结合的股票价格模型[J]. 张坤,郁湧,李彤. 计算机工程与设计. 2009(23)
[9]一种新的时间序列分析算法及其在股票预测中的应用[J]. 周广旭. 计算机应用. 2005(09)
[10]中国股市是弱式有效的吗——基于一种新方法的实证研究[J]. 陈灯塔,洪永淼. 经济学(季刊). 2003(04)
硕士论文
[1]基于EEMDLSTM模型的沪深300指数预测研究[D]. 李晨亮.北京交通大学 2019
[2]一种基于机器学习的股票预测和量化投资系统[D]. 方朴一.浙江大学 2018
[3]基于LSTM深度神经网络的股市时间序列预测精度的影响因素研究[D]. 毛景慧.暨南大学 2017
[4]基于混合模型的股票趋势预测方法研究[D]. 吴少聪.哈尔滨工业大学 2017
[5]基于模糊深度学习网络算法的短期股价预测[D]. 刘庆玲.哈尔滨工业大学 2016
[6]基于神经网络的股票预测[D]. 俞福福.哈尔滨工业大学 2016
[7]基于深度信念网络的股票价格预测研究[D]. 崔东东.华中科技大学 2016
本文编号：2964129
【文章来源】： 从筱卿 江西财经大学
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
CNN结构图
第2章相关理论15图2-2RNN结构展开图RNN的前向传播可以表示为：11tttsttosxsbosbUWV（2.16)其中，ts表示t时刻的隐藏状态，tx表示t时刻的输入数据，t1o表示t+1时刻的输出；为非线性激活函数；U为输入层和隐藏层之间的权值矩阵，W为隐藏层与其自身在相邻时间步长之间的权值矩阵，V为隐藏层和输出层之间的权值矩阵，sb、ob是偏置向量。计算中涉及到的参数是共享的，因此理论上来说，任意长度的序列数据都能被RNN处理。ts的计算依赖于t1s，t1s的计算又依赖于t2s，以此类推，RNN中某一时刻的状态依赖于过去所有时刻的状态。2.3.2长短时记忆神经网络在实际运用中，RNN往往面临训练困难的问题。在RNN沿序列反向传播的过程中，因为网络展开的较长，误差需要归因到每一层的每个神经元上，这就导致了梯度将与从当前时间步长一直到初始时间步长的网络权值相乘。由于这种乘法累加，权重会对梯度造成不小的影响，若权重较小，则梯度会消失，而较大的权重则会致使梯度发生爆炸[47]。为了解决这个难题，Hochreiter和Schmidhuber[48]（1997）提出了LSTM神经网络。LSTM神经网络是在RNN的基础上改进得到的，它将RNN隐藏层中的神经元替换为3个存储单元，即输入门、遗忘门和输出门。在反向传播过程中，这3个存储单元能够利用修正的权值有选择地遗忘或部分（全部）接受前一时刻的信息。LSTM神经网络的基本结构如图2-3所示。
基于深度学习的混合股指预测模型研究16图2-3LSTM神经网络结构图LSTM神经网络的第一步是由“遗忘门”决定从单元状态中哪些信息被丢弃。它通过观察前一时刻的隐藏状态和当前时刻的输入来输出一个介于0~1的向量，此向量反映了上一时刻记忆单元中的哪些信息被保留，1说明“完全保存历史信息”，0说明“完全忽略历史信息”。ttt1ffxhbxfhfWW（2.17）其中，xfW、hfW、表示“遗忘门”的权重和偏置；通常是一个sigmoid函数。下一步是确定将哪些新信息存储到单元状态中。这一步可以细分为两个步骤：首先，“输入门”用于控制当前时刻输入数据有多少可以保存到记忆单元中；然后，tanh层构建一个新的候选值向量添加到记忆单元中。ttt1iixhbxihiWW（2.18）1tanhtttccxhbxchcWW（2.19）其中，xiW、hiW、表示“输入门”的权重和偏置，xcW、hcW、表示记忆单元的权重和偏置。当前时刻记忆单元是由前一时刻记忆单元和候选值向量分别与“遗忘门”和“输入门”加权相加求得的。该操作可以让网络有选择地丢弃历tft1htxt1cfbtitcàà=ibcbtct1ctcàà=tfti
【参考文献】：
期刊论文
[1]基于LSTM的股票价格预测建模与分析[J]. 彭燕,刘宇红,张荣芬. 计算机工程与应用. 2019(11)
[2]基于特征选取与LSTM模型的股指预测方法研究[J]. 陈佳,刘冬雪,武大硕. 计算机工程与应用. 2019(06)
[3]基于深度门控循环单元神经网络的短期风功率预测模型[J]. 牛哲文,余泽远,李波,唐文虎. 电力自动化设备. 2018(05)
[4]稀疏VAR在股票收益率研究的应用[J]. 胡亚南,张陶陶,李蕾,田茂再. 数理统计与管理. 2017(04)
[5]基于ARIMA模型的短期股票价格预测[J]. 吴玉霞,温欣. 统计与决策. 2016(23)
[6]基于误差校正的灰色神经网络股票收益率预测[J]. 于志军,杨善林,章政,焦健. 中国管理科学. 2015(12)
[7]股票价格短期预测的LM遗传神经网络算法[J]. 肖菁,潘中亮. 计算机应用. 2012(S1)
[8]基于小波和神经网络相结合的股票价格模型[J]. 张坤,郁湧,李彤. 计算机工程与设计. 2009(23)
[9]一种新的时间序列分析算法及其在股票预测中的应用[J]. 周广旭. 计算机应用. 2005(09)
[10]中国股市是弱式有效的吗——基于一种新方法的实证研究[J]. 陈灯塔,洪永淼. 经济学(季刊). 2003(04)
硕士论文
[1]基于EEMDLSTM模型的沪深300指数预测研究[D]. 李晨亮.北京交通大学 2019
[2]一种基于机器学习的股票预测和量化投资系统[D]. 方朴一.浙江大学 2018
[3]基于LSTM深度神经网络的股市时间序列预测精度的影响因素研究[D]. 毛景慧.暨南大学 2017
[4]基于混合模型的股票趋势预测方法研究[D]. 吴少聪.哈尔滨工业大学 2017
[5]基于模糊深度学习网络算法的短期股价预测[D]. 刘庆玲.哈尔滨工业大学 2016
[6]基于神经网络的股票预测[D]. 俞福福.哈尔滨工业大学 2016
[7]基于深度信念网络的股票价格预测研究[D]. 崔东东.华中科技大学 2016
本文编号：2964129
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/2964129.html
