金融交易領域存在著大量的歷史數(shù)據(jù),這些數(shù)據(jù)資源為量化交易提供了很好的數(shù)據(jù)基礎,并且金融外匯市場是一個復雜的非線性動力系統(tǒng),利用傳統(tǒng)的機器學習算法對金融數(shù)據(jù)進行挖掘,其在有限樣本和計算單元情況下對復雜函數(shù)的表示能力有限,必然存在著諸多的限制和不足,而深度學習能夠把原始空間中數(shù)據(jù)的特性表示逐層轉化到新的特性空間中,具有較高的自學習能力、穩(wěn)定性能和抽象模擬能力,它更適合去解決金融市場這類繁瑣的非線性難題。所以,本文通過利用深度學習模型來達到預測外匯價格以及漲跌趨勢的目的。在預測價格的回歸模型中,將已有的外匯價格和技術指標作為模型的輸入數(shù)據(jù),將價格作為模型的輸出數(shù)據(jù)。通過改變超參數(shù),研究它們對模型精度影響;然后選取最優(yōu)超參數(shù),確定LSTM神經(jīng)網(wǎng)絡模型,使模型預測效果最優(yōu);最后利用LSTM模型和傳統(tǒng)RNN模型預測外匯價格,檢驗兩個模型的預測效果。實驗結果表明,LSTM神經(jīng)網(wǎng)絡模型和傳統(tǒng)RNN神經(jīng)網(wǎng)絡模型對外匯價格都具有一定的預測效果,且LSTM模型總是比RNN模型預測誤差更小,預測效果更好。因此在利用深度神經(jīng)網(wǎng)絡對價格時間序列數(shù)據(jù)建立回歸模型時,可以優(yōu)先選擇LSTM神經(jīng)網(wǎng)絡。在預測價格漲跌走勢的... 

【文章來源】：北方工業(yè)大學北京市

【文章頁數(shù)】：59 頁

【學位級別】：碩士

【部分圖文】：

圖１－２人工智能、機器學習和深度學習之間的聯(lián)系及發(fā)展時間??

第二章深度神經(jīng)網(wǎng)絡相關理論基礎??第二章深度神經(jīng)網(wǎng)絡相關理論基礎??２．１循環(huán)神經(jīng)網(wǎng)絡基本結構??循環(huán)神經(jīng)網(wǎng)絡（ＲＮＮ）是一種專門用來處理時間序列問題的神經(jīng)網(wǎng)絡模型，可以從時間序列數(shù)據(jù)中提取出更好的特征信息使特征信息能夠持久化，并可以利用之前的知識來推斷后續(xù)模式。圖２－１為ＲＮＮ神經(jīng)網(wǎng)絡模型結構，右是一個簡化的左邊結構。圖２－２為ＲＮＮ的結構展開圖。??

義的映射層。因此在這種情況下，增加神經(jīng)元的個數(shù)也許會比增加網(wǎng)絡層數(shù)預測??效果更優(yōu)。??如圖２－５所示為ｔａｎｈ函數(shù)及其導數(shù)圖像，當把ｔａｎｈ函數(shù)設置成激活函數(shù)時，??ｔａｎｈ函數(shù)的導數(shù)都是小于等于１的，仍然有一部分是一堆小數(shù)在不斷累乘，還會??導致“梯度消失”，然而ｔａｎｈ函數(shù)比ｓｉｇｍｏｉｄ函數(shù)的梯度要大，收斂時速度會更??加快速而且導致梯度消失的發(fā)生更加緩慢。??０．３?－?／?＼?ｒｆ／ｄｘ?－??°４?＇?＾?＇?／?Ａ，?■??０２?＇??〇?蜓…ｔ＊＾＾＊＾＊＾?ｆ?．．．．????????－０．２?－?／??－０?４?／??－〇?．０?．?．．??■??－０?．０??？?１?．?，?，，?．ｔ?ｒ?？?，?．?？??－３－２－１?０?１?２?３??圖２－５?ｔａｎｈ函數(shù)及其導數(shù)圖像??循環(huán)神經(jīng)網(wǎng)絡的優(yōu)點是可以“追根溯源”，然而梯度消失會使過去數(shù)據(jù)的使??用受到限制。因此，解決“梯度消失”的方法很重要，目前主要解決辦法有兩種：??一是利用更加合適的激活函數(shù)；二是改變網(wǎng)絡傳播結構。??ＲｅＬＵ（ｘ）?ｄＲｅＬＵ（ｘ）／ｄｘ??６－?／?１．０?ｊ???４１?／?。８??／?０．６??／?０．４??＼／?！???－６?－４?－２?〇?２?４?６?－＾６?＾４?＾２?Ｏ＇?２?４?６??圖２－６?Ｒｅ?ＵＪ函數(shù)圖像?圖２－７?Ｒｅ?ＵＪ導數(shù)圖像??１５??

【參考文獻】：
期刊論文
[1]基于正則化LSTM模型的股票指數(shù)預測[J]. 任君,王建華,王傳美,王建祥.  計算機應用與軟件. 2018(04)
[2]深度學習在量化投資中的應用[J]. 李文鵬,高宇菲,錢佳佳,陳曦.  統(tǒng)計與管理. 2017(08)
[3]經(jīng)濟時間序列的ARIMA類模型構建[J]. 劉明.  統(tǒng)計與決策. 2014(08)
[4]基于小波分析和BP神經(jīng)網(wǎng)絡的股指期貨價格預測[J]. 楊超,劉喜華.  青島大學學報(自然科學版). 2014(01)
[5]基于神經(jīng)網(wǎng)絡的強化學習研究概述[J]. 尤樹華,周誼成,王輝.  電腦知識與技術. 2012(28)
[6]人工神經(jīng)網(wǎng)絡在股價預測中的應用[J]. 趙夢辰,黃棟超,馮宇皓,海詩洋.  時代金融. 2012(15)
[7]神經(jīng)元網(wǎng)絡在股價預測中的應用[J]. 王若聰.  管理科學文摘. 1999(07)

碩士論文
[1]基于LSTM深度神經(jīng)網(wǎng)絡的股市時間序列預測精度的影響因素研究[D]. 毛景慧.暨南大學 2017
[2]基于深度學習的黃金期貨價格預測[D]. 駱雙駿.蘭州大學 2017
[3]基于神經(jīng)網(wǎng)絡的社交網(wǎng)絡信息傳播預測算法研究[D]. 黨凱樂.南京郵電大學 2016
[4]基于神經(jīng)網(wǎng)絡的股票預測[D]. 俞福福.哈爾濱工業(yè)大學 2016
[5]BP神經(jīng)網(wǎng)絡在股票投資分析中的應用[D]. 喬建偉.電子科技大學 2013
[6]BP神經(jīng)網(wǎng)絡模型在股票價格預測中的研究[D]. 王相軍.青島理工大學 2010
[7]神經(jīng)網(wǎng)絡在股市預測中的應用[D]. 楊曉艷.中北大學 2008
[8]基于神經(jīng)網(wǎng)絡的績優(yōu)股票走勢分析系統(tǒng)研究[D]. 段軍偉.燕山大學 2007
[9]手寫簽名模糊識別方法的研究與實現(xiàn)[D]. 萬莉.武漢理工大學 2006
[10]神經(jīng)網(wǎng)絡方法在股市預測中的應用研究[D]. 劉莉華.電子科技大學 2005



本文編號：2898726