【《股票市场非线性系统的深度学习建模研究》13000字论文】 .docx

股票市场非线性系统的深度学习建模研究摘要

金融数据纷繁复杂，新冠疫情期间关于股票波动的消息更是频繁出现在热搜榜中，备受关注。股票市场是一个复杂的非线性系统，而深度神经网络(DNN)恰具有强大的处理非线性数据功能。因此本文将以深度神经网络(DNN)为工具对股票市场个股走势进行预测分析。

本文首先通过分析随机选择三支股票，选取其价格等因子进行归一化，再使用主成分分析法提取特征数据，得出特征提取的方法用于金融数据无法产生很好的特征表达的结论；其次以深度神经网络为基础的学习中，得出目标函数以归一化均方差(NMSE)为标准是最佳模型结构，模型的预测准确率较高的结论；最后本文构建的LSTM-DNN的预测效果良好，对股票的上升行情、下跌行情、震荡行情还是总体行情都有一个比较直观的图像体现，这对进行量化投资有一定的实践价值。

关键词

深度神经网络；长短期记忆网络；主成分分析法；金融数据；量化投资

目录

一、绪论 1

(一)研究背景 1

1.金融数据交易 1

2.深度神经网络(DNN) 1

(二)研究意义 2

三)文献综述 2

1.金融数据交易研究综述 3

2.深度神经网络(DNN)研究综述及现状 4

二、相关理论与方法 6

(一)主成分分析法 6

(二)深度神经网络(DNN)原理 7

(三)长短期记忆网络(LSTM)原理 8

三、实证检验 10

(一)数据选取与处理 10

二)数据预处理 10

(三)数据来源描述性分析 11

(四)主成分分析法特征提取 11

1.特征数据选取 11

2.特征数据的预测准确率实证分析 12

(五)基于DNN的股票价格涨跌预测实证分

析 13

1.目标函数介绍 13

2.基于深度神经网络(DNN)的股价预测模型研究 14

3.模型的预测效果 14

(六)不同方法对股票价格预测 15

1.线性回归对股票价格预测 15

2.长短期记忆网络-深度神经网络(LSTM-DNN)对股票价格预测 16

3.小结 18

四、总结与展望 18

(一)总结 18

1.对机构投资者 18

2.对个人投资者 19

(二)展望 18

参考文献 20

附录 22

第5页/第31页

一、绪论

(一)研究背景

1.金融数据交易

机器学习技术从大量数据中学习历史数据的特征定律，充分学习数据特征并将其应用于未知的判断和预测，从而有效规避了主观判断可能会造成的影响。深度神经网络是深度学习的一个部分，也是是当前最受欢迎的研究方向，可以处理大量数据，可以执行良好的非线性拟合，在处理金融时间序列方面具有无语伦比的优势(刘天宇，李梦琪，2022)。金融市场在一个国家的经济系统中有着无可厚非的重要地位，而股票市场是金融市场中起着风向标作用的关键组成部分。在疫情期间，关于股票波动的消息就频繁出现在热搜榜中，购买股票也早已是一种热门的理财方式(黄志远，冯丽娟，2023)。因此本文选择股票市场中的个股作为研究对象，根据历史股票交易数据同时结合深度神经网络(DNN)

来预测股票表现，并在一定程度上向投资者提出投资建议，从而为投资者提供相对稳定的经济利益(樊子睿，安浩宇，2021)。

2.深度神经网络(DNN)

深度神经网络(DNN)是指全连接神经元结构，它所代表的人工智能常常被看作是技术变革的基础之一，现在已成为人工智能现代应用的基础。深度神经网络(DNN)表现出来了语音和图像识别任务的爆发性的进步，这些进步导致了DNN应用的快速增长，在无人驾驶汽车、制作复杂游戏等各种各样的实际应用中都有DNN的身影(蓝天佑，严文轩，2021)。DNN的良好性能是基于统计学习技术的使用，该技术可以从原始感官数据中提取高级特征，并可以从大量数据中高效的捕获输入下一层空间的数据表现特征，这与过去手动特征提取或专家设计规则的方法不同(吴志睿，郑婉如，2019)。这在一定程度上体现尽管DNN在许多人工智能挑战中表现出了最佳的准确性，但也存在高计算复杂性的问题。因为它可以解决复杂的问题，从而在许多行业中得到了广泛关注，特别是我国一些互联网公司，例如京东、百度、阿里巴巴等投入了大量资金，以希望登上了这项技术的制高点(王浩宇，陈一帆，2019)。

二)研究意义

本研究的理论意