基于sde的股票价格走势分析.docxVIP

基于sde的股票价格走势分析 摘要：关于股票价格走势的预测，传统的操作方法多是通过统计分析工具或者是单一的机器学习算法进行预测，很难准确把握股价这种时间序列数据的非线性和非平稳性等特征，从而使预测精度受限．融合SDE算法与加权BiGRU网络的优化预测模型，先使用SDE全局寻优网络的结构参数，求得最优初始权值、阈值以及权重系数，再将优化的参数应用到改良的加权BiGRU网络模型中进行预测．优化的预测模型能够有选择的考虑过去和未来时间点对当前时刻数据的影响，而且能有效避免局部最优值以及网络的长程依赖问题．实验结果表明，优化的预测模型与其他传统神经网络预测模型相比较，预测误差得到显著降低，预测准确度得到明显增强． 1 引言数据预测作为数据挖掘的主要研究分支之一，一直以来备受学者们的关注．对金融时间序列进行预测从而挖掘金融市场的运动规律进而准确地预测金融市场的走势，有助于金融投资者制定出低风险、高收益的投资策略，并且有利于金融市场的平稳运行本文基于神经网络构建预测模型的基础架构，融合自适应差分进化(Self-adaptive Differential Evolution,SDE)算法对实验过程中的网络参数进行寻优，以及引入改良的双路加权门控循环单元进行预测，得到一种优化的股价趋势预测模型．为了直观显示预测效果，提高预测模型实用价值，给投资者和金融研究者提供有价值的预测数据，本模型选择对股票价格的走势方向进行预测，展示个股股价及股票指数的变化趋势．大量的仿真实验验证了该优化的预测模型与其他传统模型相比，预测误差有效降低，预测精度明显提升．2 相关工作股市指标预测方法主要包括统计分析方法、传统机器学习方法以及基于深度学习的人工神经网络方法等随着深度学习的深入发展和广泛应用，基于神经网络的深度学习预测模型大量出现．吴微等通过对已有研究方法的学习和梳理，本文在前人研究的基础上提出了一种融合SDE算法和双路加权GRU神经网络的股价走势预测模型．双路加权GRU网络的神经单元能同时考虑过去时刻和未来时刻的状态，采用加权方式对过去和未来的双向值进行叠加，并且整个网络结构由SDE算法全局寻优出最合适的网络参数．3 本文的预测模型本文的预测模型分为两大部分，SDE对网络参数寻优和网络预测求解．3.1 SDE优化网络参数网络预测求解过程中，选择合适的网络结构参数，比如各神经单元之间连接的初始权值和阈值以及网络单元值的权重系数，会提升整个网络的预测精度，避免局部最优值的出现．参数寻优算法可以得到网络结构中初始权值和阈值等参数的优化组合．差分进化(Differential Evolution,DE)算法是一种基于种群遗传进化的启发式搜索算法，具有很强的自适应性和全局寻优能力本文预测模型中SDE算法寻优参数的详细步骤如下:1)种群初始化与编码．一个染色体即个体就是寻优过程中的一个解，而种群则是一组个体的集合2)确定适应度评价函数并计算适应度．我们用适应度作为“适者生存”的评价标准，个体的适应度即适应度函数值越大，则其被选中的可能性就越大式中，y3)变异．在进化计算模型中变异指的是通过随机扰动方法来对某个位置的数值进行改变式中，H4)交叉．某代进化过程中通过变异产生了一个变异个体，然后将变异个体与每个原个体进行交叉操作以构成候选的下一代新个体，也称实验个体式中，C5)选择．通过一定的方法选择优秀的个体进入后续的变异和交叉过程以及下一次的进化过程通过逐代进化，到达最大进化次数之后，产生的全局最优个体的基因值，就是预测模型网络结构中所需的各最优参数组合．3.2 网络预测求解网络预测求解部分主要由网络输入层、网络编码器、网络解码器构成，解码器的输出值即为预测模型的输出．编码器和解码器均基于双路加权GRU单元实现．3.2.1 网络模型结构本文提出的预测模型的网络结构以循环神经网络为主体，因为循环神经网络能够接收历史信息，具有记忆功能图中X3.2.2 双路加权GRU神经网络GRU网络作为循环神经网络的一种变体，和传统循环神经网络一样考虑了历史时刻的状态对当前状态的影响，同时引入门控机制来控制信息的积累速度，有选择的加入新的信息和遗忘之前累积的信息，能够有效解决传统循环神经网络训练过程中的长程依赖问题图3中，f式中，q为权重系数．本模型中q由SDE算法寻优确定．过去和未来两个方向共同训练，并由加权方式组合每个方向的GRU值，构成一个完整的加权Bi GRU神经网络模型．Bi GRU神经网络的训练和预测过程都分为两个方向进行，每一个方向都可看作一个传统的单向GRU网络图4中，f式中，W双路加权Bi GRU神经网络的基础运算单元GRU与同样应用广泛