基于分形理论和机器学习的股票预测方法研究

发布时间：2023-04-03 23:36

　　股票市场是一个动态的复杂的非线性系统,随着量化投资的发展,越来越多的智能技术被运用到股市预测上,探索的方法多样,其中分形理论、群智能算法、机器学习等都被运用到股票市场的研究中,并取得了一定的成果。但是预测系统涉及属性的选择、模型的构建等方面,如何利用预测系统提高对股市的预测的准确率依然是研究的热点问题。本文在总结以往研究的基础上,从属性选择和模型构建两方面出发提出了将分形属性选择算法和机器学习预测模型相结合的预测系统,并取得一定预测效果。本文首先论述了分形理论、群智能算法、极限学习机和深度学习的相关概念和理论知识,指出了分形维数的计算思想、果蝇算法的计算过程以及极限学习机和长短时记忆网络的结构原理。然后根据盒计数的思想在分形变换法的基础上将涨跌趋势考虑到分形维数的计算中,提出了K型分形维数的计算方法,并将其和改进的果蝇算法进行结合对属性进行选择,并在静态数据集上证综合指数上进行属性选择的验证分析,证明了本文提出的属性选择算法的有效性。随后提出了两种预测模型,一种是利用遗传算法和粒子群算法改进的极限学习机预测模型,并利用预测模型在静态数据集上进行了验证分析;另一种是分析了长短时记忆网络的...

【文章页数】：79 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
1.绪论
    1.1 研究背景及意义
    1.2 相关研究
        1.2.1 分形技术研究现状
        1.2.2 机器学习研究现状
    1.3 研究内容与结构安排
        1.3.1 研究内容
        1.3.2 结构安排
        1.3.3 技术路线
        1.3.4 创新点
2.理论基础
    2.1 分形理论
        2.1.1 分形市场理论
        2.1.2 分形维数
    2.2 群智能算法
        2.2.1 群智能算法
        2.2.2 果蝇算法
    2.3 极限学习机
        2.3.1 神经网络
        2.3.2 极限学习机
    2.4 长短时记忆网络
        2.4.1 深度学习
        2.4.2 循环神经网络
        2.4.3 长短时记忆网络
    2.5 本章小结
3.改进的分形属性选择算法
    3.1 K型分形维数
        3.1.1 K型分形维数
        3.1.2 K型多重分形维数
    3.2 基于K型多重分形维数与果蝇算法的属性选择
        3.2.1 属性选择
        3.2.2 分形属性选择
        3.2.3 基于分形维数和果蝇算法的属性选择
    3.3 本章小结
4.两种预测模型设计
    4.1 基于属性选择和GA-PSO-ELM的预测模型
        4.1.1 GA-PSO-ELM预测模型
        4.1.2 GA-PSO-ELM预测模型验证
    4.2 基于属性选择和FOA-LSTM的预测模型
        4.2.1 LSTM预测模型
        4.2.2 FOA改进双输入LSTM预测模型
        4.2.3 基于分形理论和FOA改进的双输入LSTM的预测系统
    4.3 本章小结
5.实证分析
    5.1 数据获取与预处理
        5.1.1 输入数据
        5.1.2 输出数据
    5.2 上证综合指数的实证分析
        5.2.1 属性选择
        5.2.2 GA-PSO-ELM模型预测结果分析
        5.2.3 FOA改进双输入LSTM模型预测结果分析
    5.3 本章小结
6.总结与展望
    6.1 本文主要工作与结论
    6.2 研究的局限性与展望
参考文献
作者简介
学位论文数据集



本文编号：3781363