基于深度信念网络的股票价格预测研究

• 作 者: 崔东东
• 出 处: 华中科技大学
• 发表日期: 2016年期
• 关键词: 股票预测 神经网络 深度学习 深度信念网络 受限玻尔兹曼机

在近现代社会发展中,应运时代发展而产生的股票市场慢慢发展成为一个国家或者地区经济的风向标,同时它也是很多金融投资的重要领域、企业获取资金的重要的金融方法。故而了解以及熟悉股票市场的变化规律显得非常重要。众所周知,股票系统是一个高度动态非线性系统,或者说是混沌系统,一个系统或者一只股票的变化受到多方面的综合影响,比如宏观方面:国家或地区的大的经济政策等;微观方面:上市公司的实际经营状况等因素都对股票价格的波动产生重要的推动力。因此,现代学者很早以来开始研究股票的预测技术,比如随机游走模型、移动平均模型等这些由以往学者从统计学角度提出的模型。与此同时,也有学者从机器学习的角度利用有较强的非线性学习能力的神经网络研究股票市场。经典的研究股市的神经网络算法有反馈神经网络(BPNN)以及径向基函数神经网络(BRF)。本文将会在此基础上研究的就是近十年神经网络领域的最新成果:深度神经网络。本文在前人的基础之上进一步研究分析深度神经网络在时间序列中的应用。主要讲述深度神经网络的发展以及算法结构等等,充分介绍深度信念网络的一种结构—深度信念网络以及它的基本算法结构-受限玻尔兹曼机,继而引出应用于连续数字的连续型受限玻尔兹曼机。基于这些分析,根据沪市的某一只股票进行预测测试,并且对比分析其和经典的BP和RBF在具体股票预测中的表现,进一步的分析其内在的原因,并对未来做出展望。