随机金融价格深度学习预测模型与统计分析

论文摘要

近年随着人工智能的发展,神经网络模型及深度学习在各个领域引起了广泛的关注,利用神经网络和深度学习模型拟合和预测时间序列也成为一些科学研究热门课题。鉴于人工神经网络在金融经济预测领域的应用前景,提高其预测精度具有十分重要的意义。本文提出了一种新的,由复杂度不变距离（CID）控制的学习率结构,通常CID被用来测量两个时间序列之间差异复杂度。此外,随机时效性神经网络（STNN）是一种用于预测时间序列的有监督模型。基于上述两种理论,本文提出了一种新的神经网络模型（CID-STN）以提高预测精度。同时为深入比较CID-STNN和STNN的预测性能,将时间序列分解为若干本真模函数,并利用这些本真模函数对模型进行训练。此外,对模型进行了交叉检验以调整超参数,在避免过拟合的前提下评估模型的预测能力,说明了 CID-STNN模型的相对有效性和优越性。为了提高金融市场价格波动预测的准确性,本文将长短记忆型神经网络（LSTM）深度学习模型应用于金融时间序列拟合。在传统的长短记忆型神经网络的应用领域,比如自然语言处理语义分析等,为提高其训练精度使用大量的数据训练是一种常规做法。为了通过扩展训练集的大小来提高预测精度,迁移学习提供了一种启发式的数据扩展方法。此外考虑到每一个历史数据的等价性来训练长期短期记忆,很难反映金融市场真实准确的变化。本文创新地提出了一种具有先验经验的数据迁移算法,它提供了一种更有效的数据扩展思路。为了深入比较初始数据和数据迁移后的预测性能训练性能,将时间序列分解为若干本真模函数,并利用这些本真模函数对模型进行训练。通过评价该模型的预测能力,对西德克萨斯轻质原油（WTI）、布伦特原油（Brent）的预测效果进行了实证研究,并证明了其相应的优越性。

论文目录

• 致谢
• 中文摘要
• ABSTRACT
• 第1章 绪论
•   1.1 选题背景和意义
•   1.2 引言
• 第2章 CID随机时效性神经网络
•   2.1 随机时效性神经网络模型
•     2.1.1 神经网络模型基本概念
•   2.2 随机过程基础概念
•     2.2.1 随机时效性神经网络模型
•   2.3 CID随机时效性神经网络模型构建
•     2.3.1 复杂度不变距离（CID）学习率模型
•     2.3.2 CID-STNN模型构建
•     2.3.3 神经网络模型预测结果统计分析
•   2.4 经验模态分解基础理论
•   2.5 基于经验模态分解的神经网络模型
•   2.6 本章小结
• 第3章 长短记忆型深度学习时间序列预测模型构建
•   3.1 长短记忆型深度学习模型
•   3.2 先验数据迁移长短记忆型神经网络模型
•     3.2.1 基于先验经验的数据迁移
•     3.2.2 先验数据迁移长短记忆型神经网络模型
•     3.2.3 LSTM模型预测结果统计分析
•   3.3 EEMD分解验证LSTM模型
•   3.4 本章小结
• 第4章 结论
•   4.1 结论
•   4.2 论文创新点
• 参考文献
• 作者简历及攻读硕士学位期间取得的研究成果
• 学位论文数据集

文章来源

类型: 硕士论文

作者: 岑忠培

导师: 王军

关键词: 深度学习模型,长短记忆型神经网络,时间序列分析及预测,非线性模型统计分析,数据迁移模式

来源: 北京交通大学

年度: 2019

分类: 基础科学,经济与管理科学

专业: 数学,宏观经济管理与可持续发展,金融

单位: 北京交通大学

基金: 国家自然科学基金(71271026)

分类号: F224;F830

总页数: 59

文件大小: 4583K

下载量: 198