發(fā)布時間：2020-12-05 02:49

　　金融交易領(lǐng)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(chǔ),并且金融外匯市場是一個復(fù)雜的非線性動力系統(tǒng),利用傳統(tǒng)的機(jī)器學(xué)習(xí)算法對金融數(shù)據(jù)進(jìn)行挖掘,其在有限樣本和計算單元情況下對復(fù)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(xué)習(xí)能夠把原始空間中數(shù)據(jù)的特性表示逐層轉(zhuǎn)化到新的特性空間中,具有較高的自學(xué)習(xí)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(xué)習(xí)模型來達(dá)到預(yù)測外匯價格以及漲跌趨勢的目的。在預(yù)測價格的回歸模型中,將已有的外匯價格和技術(shù)指標(biāo)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(luò)模型,使模型預(yù)測效果最優(yōu);最后利用LSTM模型和傳統(tǒng)RNN模型預(yù)測外匯價格,檢驗兩個模型的預(yù)測效果。實驗結(jié)果表明,LSTM神經(jīng)網(wǎng)絡(luò)模型和傳統(tǒng)RNN神經(jīng)網(wǎng)絡(luò)模型對外匯價格都具有一定的預(yù)測效果,且LSTM模型總是比RNN模型預(yù)測誤差更小,預(yù)測效果更好。因此在利用深度神經(jīng)網(wǎng)絡(luò)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(luò)。在預(yù)測價格漲跌走勢的... 

【文章來源】：北方工業(yè)大學(xué)北京市

【文章頁數(shù)】：59 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１－２人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)之間的聯(lián)系及發(fā)展時間??

第二章深度神經(jīng)網(wǎng)絡(luò)相關(guān)理論基礎(chǔ)??第二章深度神經(jīng)網(wǎng)絡(luò)相關(guān)理論基礎(chǔ)??２．１循環(huán)神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)??循環(huán)神經(jīng)網(wǎng)絡(luò)（ＲＮＮ）是一種專門用來處理時間序列問題的神經(jīng)網(wǎng)絡(luò)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(luò)模型結(jié)構(gòu)，右是一個簡化的左邊結(jié)構(gòu)。圖２－２為ＲＮＮ的結(jié)構(gòu)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(luò)層數(shù)預(yù)測??效果更優(yōu)。??如圖２－５所示為ｔａｎｈ函數(shù)及其導(dǎo)數(shù)圖像，當(dāng)把ｔａｎｈ函數(shù)設(shè)置成激活函數(shù)時，??ｔａｎｈ函數(shù)的導(dǎo)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(dǎo)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(dǎo)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(dǎo)數(shù)圖像??循環(huán)神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)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(luò)傳播結(jié)構(gòu)。??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(dǎo)數(shù)圖像??１５??

【參考文獻(xiàn)】：
期刊論文
[1]基于正則化LSTM模型的股票指數(shù)預(yù)測[J]. 任君,王建華,王傳美,王建祥.  計算機(jī)應(yīng)用與軟件. 2018(04)
[2]深度學(xué)習(xí)在量化投資中的應(yīng)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(jì)時間序列的ARIMA類模型構(gòu)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(luò)的股指期貨價格預(yù)測[J]. 楊超,劉喜華.  青島大學(xué)學(xué)報(自然科學(xué)版). 2014(01)
[5]基于神經(jīng)網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)研究概述[J]. 尤樹華,周誼成,王輝.  電腦知識與技術(shù). 2012(28)
[6]人工神經(jīng)網(wǎng)絡(luò)在股價預(yù)測中的應(yīng)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(luò)在股價預(yù)測中的應(yīng)用[J]. 王若聰.  管理科學(xué)文摘. 1999(07)

碩士論文
[1]基于LSTM深度神經(jīng)網(wǎng)絡(luò)的股市時間序列預(yù)測精度的影響因素研究[D]. 毛景慧.暨南大學(xué) 2017
[2]基于深度學(xué)習(xí)的黃金期貨價格預(yù)測[D]. 駱雙駿.蘭州大學(xué) 2017
[3]基于神經(jīng)網(wǎng)絡(luò)的社交網(wǎng)絡(luò)信息傳播預(yù)測算法研究[D]. 黨凱樂.南京郵電大學(xué) 2016
[4]基于神經(jīng)網(wǎng)絡(luò)的股票預(yù)測[D]. 俞福福.哈爾濱工業(yè)大學(xué) 2016
[5]BP神經(jīng)網(wǎng)絡(luò)在股票投資分析中的應(yīng)用[D]. 喬建偉.電子科技大學(xué) 2013
[6]BP神經(jīng)網(wǎng)絡(luò)模型在股票價格預(yù)測中的研究[D]. 王相軍.青島理工大學(xué) 2010
[7]神經(jīng)網(wǎng)絡(luò)在股市預(yù)測中的應(yīng)用[D]. 楊曉艷.中北大學(xué) 2008
[8]基于神經(jīng)網(wǎng)絡(luò)的績優(yōu)股票走勢分析系統(tǒng)研究[D]. 段軍偉.燕山大學(xué) 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(xué) 2006
[10]神經(jīng)網(wǎng)絡(luò)方法在股市預(yù)測中的應(yīng)用研究[D]. 劉莉華.電子科技大學(xué) 2005



本文編號：2898726