论文总字数：32525字

摘 要

长久以来，海量金融数据处理与分析一直是这个时代的经济社会主题。在深度学习神经网络横空出世后，运用机器学习的数据分析方法为我们提供了崭新的视野，即神经网络可用于处理高维度、强非线性、海量而复杂的数据集合。神经网络具有流行的独特优势，但几乎所有上述网络都是浅层网络，既不能有效地使用爆炸性数据，也不能普遍地训练模型。

在本文中，我们利用雅虎财经标普500指数的成分股票每日价格与成交量数据，基于上个月深度信念网络（DBNs）的训练成果，来预测下周的股票走势。本文运用方法为三层深度信念网络和指数归一化标签函数，并根据输入端口数据时间维度的不同来进行误差比较。本文的创新点在于运用优化softmax归一化函数来初始化数据进行输入端数据调参，从而达到控制预测误差率10.9%以下的结果。本文还将深度信念网络的预测结果与传统机器学习模型——SVM分类回归法进行比较，发现根据结果，深度新年网络具有7.8%的误差降低优势。

由于深度信念网络层层递进、层层提取的特点，其每一层的输入和输出端口都参与整个模型运算，因此被称为理想化的深度学习模型。但也因如此，其具有运行效率低下的劣势，对于如何提高其运行效率，仍需要展开进一步对此神经网络系统进行改进的探讨。

关键词：受限制玻尔兹曼机，深度信念网络，股票价格预测

Abstract

Numerous financial data has always been the theme of the contemporary society, whereas, deep learning is coming at the corner. They have provided us novel method to handle with financial data, which has high dimensions, strong nonlinearity and immense collections of amount. Neural networks have it unique advantage to be popular, but almost all those networks above are shallow networks which can neither use the explosive data efficiently nor train the model universally.

A novel method has been proposed to forecast the trend of the stock price for all stocks based on the stock data of the past month was proposed in this paper, with collected data from Yahoo Finance. The proposed model is a deep belief networks (DBNs) composed by three RBM and a softmax regression layer. The innovation of this paper is to use the optimized softmax normalization function to initialize the data for data input at the input end, so as to achieve the result of controlling the prediction error rate below 10.9%. This paper also compares the prediction results of the deep belief network with the traditional machine learning model SVM classification regression method, and finds that according to the results, the Deep New Year network has a 7.8% error reduction advantage.

Due to the characteristics of deep belief network layer-by-layer and layer-level extraction, the input and output ports of each layer participate in the entire model operation, so it is called the idealized deep learning model. However, because of this, it has the disadvantage of inefficient operation. For how to improve its operational efficiency, further research on the improvement of this neural network system is still needed.

KEY WORDS: Restricted Boltzmann Machine, Deep Belief Networks, Stock Price Prediction

目录

摘要 I

Abstract II

第一章 绪论 1

1.1 研究背景 1

1.2 研究意义 3

1.3 文献综述 5

1.3.1 深度学习发展研究 5

1.3.2 国外关于深度学习算法运用于金融市场的研究 6

1.3.3 国内关于深度学习算法运用于金融市场的研究 7

1.3.4 关于改进深度学习算法本身精度的研究 8

第二章 理论基础 9

2.1 基本概念 9

2.1.1 互补先验理论 9

2.1.2 深度信念网络的基本单元——受限制的玻尔兹曼机模型 10

2.1.3 理想化的深度学习神经网络——深度信念网络模型（DBN） 13

第三章 研究设计 15

3.1 研究条件 15

3.2 研究过程 15

3.2.1 实验数据选取 15

3.2.2 实验数据处理 16

3.2.3 实验模型设定 17

3.2.4 实验数据训练 18

3.2.5 实验结果评估 19

3.2.6 实验模型总结 20

3.3 研究比较 21

3.3.1 传统机器学习模型比较——SVM分类回归法设定 21

3.3.2 传统机器学习模型比较——实验数据训练 21

3.3.3 传统机器学习模型比较——实验结果评估 22

3.3.4 传统机器学习模型比较——实验总结 22

第四章 总结与展望 24

致谢 25

参考文献 26

附录 27

绪论

研究背景

目前，全球股票投资市场总体市值已经达到1910亿美元。对于全球日益增长的股票市场投资需求而言，单纯地从共同基金投资经理或理财顾问角度，已经难以满足庞大基数的客户需求。在金融市场数据集呈指数增长的今天，对海量金融市场数据要做到透彻和全面的清洗、建立可操作性强的标准化数据结构、运用运算效率高的投资策略进行回测与实操，每一步骤都愈加依赖于计算机硬件及软件算法模型的发展和实践。金融市场的数据集时常与动力系统相比较，因为其具有高度复杂的内生性，且作为一个系统整体，信噪比往往较高；同时金融市场数据集随着时间的改变而连续改变，从时间序列的角度而言，又具有非平稳性以及非线性的特点。人工智能，作为现在计算机领域的发展热点与发展前沿，尽管还处在弱人工智能阶段，但利用其中的智能算法来分析金融市场变化并作出判断，已经成为一种常见的金融大数据分析手段。

剩余内容已隐藏，请支付后下载全文，论文总字数：32525字