基于GRU的加密货币价格趋势预测

论文摘要

由于区块链技术的迅速发展,加密货币的种类日趋增多,同时因为交易所十分分散,使得量化交易策略适用于价格传导存在滞后的市场环境中。预测加密货币的价格趋势能为投资者从事量化交易带来更多盈利机会。同时加密货币是实现数字资产流动的重要手段,数字经济的发展需要更多加密货币的支持。加密货币交易自身具有频度高,市场分散,波动性大以及不受时间和空间限制等特点。在传统预测方法中,未能有效的保留加密货币交易的这些特征,因而预测精度低且效果差。深度学习中的长短期记忆网络(LSTM)和门控循环单元(GRU)能够解决加密货币价格预测中的长期记忆问题,提高预测效果。本文将门控循环单元(GRU)应用到加密货币价格趋势预测中并选取交易量最大的比特币作为实验对象。首先对比特币的交易价格数据进行预处理,选取相应的指标作为特征输入。然后将循环神经网络(RNN)、长短期记忆网络(LSTM)以及GRU应用到构建比特币预测模型中,并将实验结果进行了对比。通过实验证明了GRU在解决高频分散不间断交易为特点的加密货币市场上的价格预测上面具有优势。对比实验结果,LSTM和GRU比RNN取得了更好的效果,而GRU模型在训练耗时上比LSTM模型平均降低30.45%;同时两者保持基本相同的精准度,均方根误差为1.358。

论文目录

• 摘要
• abstract
• 第1章 绪论
•   1.1 研究背景与意义
•   1.2 国内外研究现状
•   1.3 本文的研究内容
•   1.4 本文的组织结构
• 第2章 相关方法理论介绍
•   2.1 加密货币价格趋势的主要指标
•     2.1.1 相对强弱指标（RSI）
•     2.1.2 随机指标（KDJ）
•     2.1.3 异同移动平均线（MACD）
•   2.2 深度学习理论
•     2.2.1 基本的循环神经网络（RNN）
•     2.2.2 长短期记忆网络（LSTM）
•     2.2.3 RNN的梯度消失和爆炸问题
•   2.3 本章小结
• 第3章 基于GRU的加密货币价格趋势模型构建
•   3.1 加密货币交易特点
•   3.2 激活函数及特征选取
•     3.2.1 激活函数选择
•     3.2.2 特征工程
•   3.3 GRU模型特点及计算
•     3.3.1 GRU模型特点
•     3.3.2 GRU模型计算
•   3.4 基于GRU的加密货币预测模型
•     3.4.1 设置模型参数
•     3.4.2 模型训练
•   3.5 本章小结
• 第4章 实验和结果分析
•   4.1 数据获取
•   4.2 数据预处理
•   4.3 数据归一化及评价指标
•   4.4 实验结果与分析
•   4.5 本章小结
• 第5章 总结与展望
•   5.1 总结
•   5.2 展望
• 参考文献
• 致谢

文章来源

类型: 硕士论文

作者: 章盼

导师: 程戈

关键词: 加密货币,时间序列,比特币

来源: 湘潭大学

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,信息经济与邮政经济,金融

单位: 湘潭大学

分类号: F224;F49;F821

DOI: 10.27426/d.cnki.gxtdu.2019.001004

总页数: 44

文件大小: 2739K

下载量: 138