發(fā)布時(shí)間：2025-01-07 00:49

　　金融市場是一個(gè)巨大的動(dòng)態(tài)領(lǐng)域,一般很難建模和預(yù)測。在最近的幾十年中,可以學(xué)習(xí)輸入和輸出值之間的非線性關(guān)系的計(jì)算智能模型逐漸被使用。由于傳統(tǒng)方法很難捕捉到高維指標(biāo)與預(yù)測變量的非線性關(guān)系,因此在股票預(yù)測方面深度學(xué)習(xí)模型更具優(yōu)勢。本文利用深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)(CNN)構(gòu)建了一個(gè)股票預(yù)測模型。在該模型基礎(chǔ)上對股票漲跌情況進(jìn)行預(yù)測,以15天的股票數(shù)據(jù)為基礎(chǔ),預(yù)測該股票在未來一周的漲跌情況,得到了較為良好的預(yù)測效果。首先,針對卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)結(jié)構(gòu)以及反向傳播算法進(jìn)行了探究,通過在參數(shù)學(xué)習(xí)中引入優(yōu)化器優(yōu)化訓(xùn)練算法,同時(shí)對幾種常見CNN模型橫向?qū)Ρ确治?在LeNet-5模型基礎(chǔ)上構(gòu)建所需的卷積神經(jīng)網(wǎng)絡(luò)模型。其次,本文構(gòu)建了基于CNN模型的股票預(yù)測模型并進(jìn)行實(shí)證分析,從Wind數(shù)據(jù)庫中獲取2010年1月1日至2020年1月1日的滬深300成分股的各項(xiàng)指標(biāo)數(shù)據(jù),選取15個(gè)不同特征將樣本數(shù)據(jù)轉(zhuǎn)化為二維矩陣,通過股票未來一周的收益情況將其分為上漲、震蕩、下跌三類情況,創(chuàng)新性地使用滑動(dòng)窗口法增加樣本量,將所有樣本分為五個(gè)訓(xùn)練集及測試集。然后,使用搭建好的卷積神經(jīng)網(wǎng)絡(luò)模型對所有股票數(shù)據(jù)進(jìn)行訓(xùn)練測試,并依據(jù)卷積...

【文章頁數(shù)】：59 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號說明
第一章 緒論
    1.1研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 金融中的機(jī)器學(xué)習(xí)
        1.2.2 金融中的深度學(xué)習(xí)
    1.3 研究內(nèi)容與論文結(jié)構(gòu)
        1.3.1 主要貢獻(xiàn)及創(chuàng)新
第二章 卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)結(jié)構(gòu)及其在股票預(yù)測方面的應(yīng)用
    2.1 金融市場預(yù)測
    2.2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        2.2.1 輸入層
        2.2.2 卷積層
        2.2.3 池化層
        2.2.4 激活函數(shù)
        2.2.5 全連接層
    2.3 反向傳播
    2.4 優(yōu)化器
        2.4.1 Adagrad
        2.4.2 Adadelta
        2.4.3 Adam
    2.5 本章小結(jié)
第三章 股票預(yù)測模型樣本構(gòu)造
    3.1 樣本預(yù)處理及特征分析
    3.2 樣本標(biāo)記及樣本矩陣生成
    3.3 特征組合選擇
    3.4 特征分析及構(gòu)造
    3.5 訓(xùn)練集及測試集生成
    3.6 本章小結(jié)
第四章 構(gòu)建CNN-股票預(yù)測模型
    4.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)及訓(xùn)練
    4.2 模型評估指標(biāo)
    4.3 模型參數(shù)對預(yù)測結(jié)果的影響
        4.3.1 卷積核尺寸
        4.3.2 卷積核數(shù)量
        4.3.3 激活函數(shù)類型
        4.3.4 全連接層神經(jīng)元數(shù)量
    4.4 Dropout概率
    4.5 優(yōu)化器
    4.6 樣本分類不均衡的解決方案
    4.7 模型比較分析
    4.8 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
學(xué)位論文評閱及答辯情況表



本文編號：4024245