• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于LSTM等深度學(xué)習(xí)方法的股指預(yù)測研究

    2019-10-18 02:57:59李佳黃之豪陳冬蘭
    軟件導(dǎo)刊 2019年9期
    關(guān)鍵詞:深度學(xué)習(xí)

    李佳 黃之豪 陳冬蘭

    摘 要:為了改善傳統(tǒng)時間序列方法無法在預(yù)測模型中添加相關(guān)變量等缺點,并提高股指預(yù)測精度,運用LSTM神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)方法對我國上證指數(shù)及滬深300指數(shù)進行預(yù)測分析,并將預(yù)測結(jié)果與RNN、CNN、ARMA等模型進行比較,然后在模型中加入百度指數(shù)測試其對預(yù)測精度的影響,最后檢驗LSTM模型對訓(xùn)練步長的敏感性。研究結(jié)果表明,LSTM能夠?qū)崿F(xiàn)對股指的精準預(yù)測,其預(yù)測評價指標MAE、MAPE、RMSE分別為0.008、0.025、0.011,預(yù)測誤差低于其它模型,加入百度指數(shù)可進一步提升其預(yù)測能力,但改變LSTM模型訓(xùn)練步長對結(jié)果影響不大。因此,LSTM模型在金融經(jīng)濟預(yù)測領(lǐng)域有較高的應(yīng)用價值。

    關(guān)鍵詞:深度學(xué)習(xí);LSTM;股指預(yù)測;百度指數(shù)

    DOI:10. 11907/rjdk. 191155 開放科學(xué)(資源服務(wù))標識碼(OSID):

    中圖分類號:TP306文獻標識碼:A 文章編號:1672-7800(2019)009-0017-05

    Research on Stock Index Prediction Based on Deep Learning Methods Such as LSTM

    LI Jia, HUANG Zhi-hao,CHEN Dong-lan

    (Business School, Shanghai University of Science and Technology, Shanghai 200093, China)

    Abstract:In order to improve the shortcomings such as impossible to add relevant variables to the prediction model of traditional time series methods and improve the accuracy of stock index prediction, this paper uses the deep learning method (LSTM neural network) to predict and analyze China's Shanghai Composite Index and the Shanghai and Shenzhen 300 Index. The prediction results are compared with RNN, CNN, ARMA and other models. Then, Baidu index is added to the model to test its influence on prediction accuracy. Finally, the sensitivity of LSTM model to train step size is tested. The research results show that LSTM can accurately predict the stock index. The forecasting indicators MAE, MAPE and RMSE are 0.008, 0.025 and 0.011 respectively. The prediction error of LSTM is lower than other models and adding Baidu index data can further improve the forecasting ability. Therefore, the LSTM model has application value in the field of financial economic forecasting.

    Key Words: deep learning;LSTM;stock index prediction;Baidu index

    0 引言

    近年來,我國股票市場表現(xiàn)不佳,上證指數(shù)大部分時間都在3 000點以下徘徊,有時還會出現(xiàn)較大幅度的下跌。典型例子有: 2018年6月19日,上證指數(shù)收盤價從上一交易日的3 021.90點暴跌至2 907.82點,上證指數(shù)失守3 000點也即意味著廣大股民、股票基金、基于股票的資產(chǎn)管理計劃虧損慘重。然而股市似乎有繼續(xù)暴跌的趨勢,在之后的幾個交易日內(nèi),上證指數(shù)分別跌破了2 900點和2 800點兩個關(guān)口,截至2018年7月2日,上證指數(shù)的收盤價為2 775.56點。股市是經(jīng)濟的晴雨表,而股票指數(shù)又是股市狀況的量化代表,因此如何精準預(yù)測股票指數(shù)成為了如證券市場管理機構(gòu)、股票投資者等多方利益相關(guān)者致力于解決的難題。

    現(xiàn)階段,股指預(yù)測方法主要分為以下幾類:首先是基于時間序列模型的股指預(yù)測方法,如萬建強、文洲[1]以及薛勇等[2]使用ARIMA、ARMA、ARCH等方法對香港股指及股指期貨進行預(yù)測,但由于時間序列預(yù)測方法的固有限制,存在預(yù)測精度難以提高、對預(yù)測變量要求較高等問題。之后,學(xué)者們對股指預(yù)測方法的研究開始轉(zhuǎn)向機器學(xué)習(xí)方法,如田翔、鄧飛其[3]使用支持向量機回歸方法(SVR)對股指進行預(yù)測研究,解決了非線性時間序列預(yù)測相關(guān)問題,并提高了模型泛化能力;TAY&CAO[4]使用C-上升支持向量機對原有正則化函數(shù)進行改進,得到了更好的預(yù)測結(jié)果;孫彬、李鐵克[5]則在支持向量機回歸基礎(chǔ)上進行改進,使用改進模型v-SVR對金融股指進行預(yù)測,并證明了其有效性;Wang&Shang[6]、Wang等[7]也將改進SVM模型應(yīng)用于證券與股票指數(shù)預(yù)測中,證明了改進支持向量機模型的有效性。同時,學(xué)者們也關(guān)注了另一種機器學(xué)習(xí)方法——神經(jīng)網(wǎng)絡(luò),如王光強和周佩玲[8]將神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于道瓊斯股票指數(shù)預(yù)測中,增強了神經(jīng)網(wǎng)絡(luò)的實用性;Chen&Dissanayaka[9]使用前饋反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)對2012年1月2日~2014年3月20日的股價數(shù)據(jù)進行預(yù)測,從原先的8個模型中篩選出最優(yōu)模型,并得到預(yù)測效果與訓(xùn)練輸入、隱層神經(jīng)元個數(shù)有關(guān)的結(jié)論;鮑新中等[10]、汪勁松和石薇[11]、黃宏運等[12]對BP算法進行改進,解決了神經(jīng)網(wǎng)絡(luò)容易陷入局部最小值,以及收斂速度慢等問題。之后,隨著灰色預(yù)測方法逐步得到推廣,不少學(xué)者開始嘗試將灰色預(yù)測方法應(yīng)用于股指預(yù)測中,如崔銘元等[13]、張雙[14]將灰色預(yù)測方法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合,從而提高了灰色預(yù)測法的精度。同樣考慮到將不同模型進行結(jié)合,以充分利用各種模型優(yōu)勢的學(xué)者還有陳卓雷和蔣寒迪[15]、吳朝陽[16]、史文靜和高巖[17]、嚴駿宏[18]等,其將傳統(tǒng)時間序列方法、灰色預(yù)測法及BP神經(jīng)網(wǎng)絡(luò)進行組合,得到了預(yù)測精度更高的模型。

    通過整理上述文獻可以發(fā)現(xiàn),傳統(tǒng)時間序列方法不易加入與預(yù)測指標相關(guān)的變量,而支持向量機與BP神經(jīng)網(wǎng)絡(luò)等算法則在預(yù)測精度上還有待提高。近年來,深度學(xué)習(xí)方法(Deep Learning,DL)逐漸成為機器學(xué)習(xí)領(lǐng)域的熱門話題,并在圖像處理、語音識別、文本識別、自然語言處理等領(lǐng)域應(yīng)用廣泛,但其在股指預(yù)測等金融領(lǐng)域的應(yīng)用非常少。本文主要采用深度學(xué)習(xí)方法中十分適用于時間序列預(yù)測的長短期記憶模型(LSTM)對上證指數(shù)和滬深300指數(shù)進行預(yù)測,并將該方法與其它深度學(xué)習(xí)方法如循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)、卷積神經(jīng)網(wǎng)絡(luò)(CNN),以及其它機器學(xué)習(xí)方法如支持向量回歸(SVR)、BP神經(jīng)網(wǎng)絡(luò)(BP)與ARMA模型等時間序列模型進行比較研究。

    1 LSTM神經(jīng)網(wǎng)絡(luò)

    由于神經(jīng)網(wǎng)絡(luò)算法從本質(zhì)上來說更容易對復(fù)雜非線性關(guān)系進行擬合,而如股票指數(shù)等金融時間序列因受多種因素影響呈現(xiàn)出非線性特征,因此將傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于股指預(yù)測會提高預(yù)測精度。但BP神經(jīng)網(wǎng)絡(luò)雖然可以通過增加神經(jīng)網(wǎng)絡(luò)層數(shù)進一步提高預(yù)測精度,但隨之也會出現(xiàn)梯度消失等問題。傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)只在神經(jīng)網(wǎng)絡(luò)層與層之間建立了權(quán)連接,RNN神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Networks,RNN)則通過在神經(jīng)網(wǎng)絡(luò)層的神經(jīng)元間建立權(quán)連接方式,使隱藏層中間結(jié)果可以進行循環(huán)利用,從而使網(wǎng)絡(luò)中的信息能夠持久化,因此其相比于其它神經(jīng)網(wǎng)絡(luò)更適合處理序列預(yù)測問題,而傳統(tǒng)RNN由于梯度消失等問題,對長期依賴問題的學(xué)習(xí)能力不足,導(dǎo)致其預(yù)測能力無法提升。Hochreiter&Schmidhuber[19]提出的長短期記憶神經(jīng)網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)則通過引入“門控單元”,可以解決長期依賴問題,之后Gers等[20]對LSTM網(wǎng)絡(luò)進行了改進,近年來Graves等[21]又對其進行了改良與推廣,從而使LSTM網(wǎng)絡(luò)更加有效。長短期記憶網(wǎng)絡(luò)的門控單元包括輸入門、遺忘門和輸出門。此外,記憶單元(cell)也在LSTM網(wǎng)絡(luò)中發(fā)揮著至關(guān)重要的作用。長短期記憶網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

    (1)遺忘門[ft]。遺忘門的激活函數(shù)為sigmoid函數(shù),其決定信息的遺忘。sigmoid函數(shù)值介于0~1之間,當(dāng)函數(shù)值為0時,表示丟棄信息,當(dāng)函數(shù)值為1時,表示完全接受信息,其公式如下:

    以上簡要介紹了LSTM神經(jīng)網(wǎng)絡(luò)將[ht-1]和[xt]逐步轉(zhuǎn)變?yōu)閇ht]的過程,正是由于LSTM神經(jīng)網(wǎng)絡(luò)對遺忘門、輸入門、輸出門及記憶單元的巧妙設(shè)置,使得該網(wǎng)絡(luò)能夠保留有用信息,從而一定程度上解決了長期依賴問題。因此,LSTM神經(jīng)網(wǎng)絡(luò)能更有效地對時間序列進行預(yù)測。

    2 實證分析

    2.1 實驗數(shù)據(jù)來源及處理

    雖然國際上有許多具有巨大影響力的股票指數(shù)如道瓊斯、納斯達克、日經(jīng)、恒生等,但由于我國目前正處于股市動蕩期,因此本文選擇我國股票市場最具有代表性的兩個股票指數(shù)——上證指數(shù)和滬深300的日收盤價進行實證研究。研究樣本的時間范圍為2014年7月1日~2018年7月2日,兩種指數(shù)分別有978個觀測值,兩個股票指數(shù)的收盤價時間序列來自網(wǎng)易財經(jīng)數(shù)據(jù)庫。同時作為創(chuàng)新,本文也想探究互聯(lián)網(wǎng)搜索行為數(shù)據(jù)作為一種大數(shù)據(jù)時代的特有數(shù)據(jù),能否增強模型預(yù)測能力。我國互聯(lián)網(wǎng)搜索行為一般以百度指數(shù)數(shù)據(jù)作為代表,因此本文在進行模型預(yù)測效果對比后,使用百度指數(shù)作為補充數(shù)據(jù),以驗證搜索行為數(shù)據(jù)能否增強預(yù)測能力。百度指數(shù)將關(guān)鍵詞搜索行為按次數(shù)記錄成日度數(shù)據(jù),百度指數(shù)提供的數(shù)據(jù)分為PC趨勢與移動趨勢,本文使用兩種趨勢的求和數(shù)據(jù)作為具有代表性的在線大數(shù)據(jù),搜索關(guān)鍵詞選擇與股票指數(shù)密切相關(guān)的證券、股票等,具體數(shù)據(jù)來源于百度指數(shù)官方網(wǎng)站(https://index.baidu.com/)。

    在數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)模型之前,需要對數(shù)據(jù)進行歸一化處理,從而避免數(shù)據(jù)對度量單位選擇的依賴,并且有助于提高模型性能。本文采用最大—最小歸一化方法將數(shù)據(jù)壓縮到[0,1]區(qū)間,經(jīng)過歸一化后的數(shù)據(jù)有利于進行模型訓(xùn)練,如公式(7)所示。

    2.2 模型性能評價與結(jié)果比較

    為了使長短期記憶網(wǎng)絡(luò)能與其它模型進行比較,本文選擇平均絕對誤差(MAE)、平均誤差百分比(MAPE)、均方根誤差(RMSE)作為統(tǒng)一、客觀的評價標準,相關(guān)評價指標定義如下:

    本文通過python中的神經(jīng)網(wǎng)絡(luò)構(gòu)建框架keras構(gòu)建2層LSTM網(wǎng)絡(luò)(第1層128個神經(jīng)元,第2層64個神經(jīng)元,其中,每層激活函數(shù)使用relu函數(shù)緩解梯度消失問題)進行股票指數(shù)預(yù)測研究,選擇的訓(xùn)練步長為7,即將所有數(shù)據(jù)進行劃分,用過去7個交易日數(shù)據(jù)作為特征,而將當(dāng)前交易日數(shù)據(jù)作為標簽。將數(shù)據(jù)按上述方式確定數(shù)據(jù)特征及標簽后,本文將所有樣本數(shù)據(jù)按9∶1的比例劃分,最后10%的數(shù)據(jù)作為測試集,即將978個觀測值中的最后98個數(shù)據(jù)作為測試集,而在前90%的數(shù)據(jù)中,再取其中的10%作為驗證集,用來調(diào)整模型超參數(shù)以及檢驗?zāi)P褪欠窬哂羞^擬合現(xiàn)象。上證指數(shù)與滬深300預(yù)測結(jié)果分別如圖2、圖3所示。

    其中,訓(xùn)練擬合值是通過訓(xùn)練集訓(xùn)練得到LSTM模型后在訓(xùn)練集上的擬合值,測試預(yù)測值是通過訓(xùn)練集得到LSTM模型后在測試集上的表現(xiàn)。從圖中可以看出,LSTM模型在預(yù)測上證指數(shù)和滬深300方面表現(xiàn)優(yōu)異,除部分最高峰與最低峰外,幾乎與真實值完全擬合。為了能更清晰地看出長短期網(wǎng)絡(luò)在測試集上的效果,可在測試集上單獨進行可視化作圖后再進行分析,上證指數(shù)預(yù)測效果如圖4所示。通過圖4可直觀地看出,LSTM神經(jīng)網(wǎng)絡(luò)在測試集上有著不錯的表現(xiàn)。本文所有評價指標數(shù)據(jù)由測試集測試結(jié)果得到,并且神經(jīng)網(wǎng)絡(luò)模型迭代次數(shù)都為200次。從模型評價指標上看,LSTM模型對滬深300的預(yù)測不如對上證指數(shù)的預(yù)測精準,兩者評價指標MAE、MAPE、RMSE分別為:0.011、0.022、0.015和0.008、0.025、0.011,但即便預(yù)測精度稍差的滬深300指數(shù)也達到了較高的預(yù)測精度。在此使用滬深300指數(shù)是為了說明LSTM模型對所有股指預(yù)測的適用性,后文都使用上證指數(shù)作為股票指數(shù)代表進行預(yù)測分析。

    以上僅從單個模型角度對預(yù)測效果進行分析,為了檢驗LSTM模型是否如理論上所言的能實現(xiàn)更有效的預(yù)測,本部分選取包括循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)、卷積神經(jīng)網(wǎng)絡(luò)(CNN)、BP神經(jīng)網(wǎng)絡(luò)、支持向量回歸(SVR)、ARMA模型等較為典型的深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)、機器學(xué)習(xí)及時間序列模型作對比分析,其中RNN同樣使用兩層神經(jīng)網(wǎng)絡(luò),每層神經(jīng)元個數(shù)和激活函數(shù)與長短期記憶網(wǎng)絡(luò)相同,CNN使用兩個一維卷積層網(wǎng)絡(luò),BP神經(jīng)網(wǎng)絡(luò)使用3層網(wǎng)絡(luò)進行構(gòu)建(第1層有128個神經(jīng)元,第2層有64個神經(jīng)元,第3層有32個神經(jīng)元),SVR參數(shù)為懲罰參數(shù)C=4,核函數(shù)為RBF核函數(shù),ARMA根據(jù)AIC準則得到ARMA(2,4),比較結(jié)果如表1所示。

    通過表1可以看出,LSTM模型作為對RNN神經(jīng)網(wǎng)絡(luò)的改進,其相比于RNN神經(jīng)網(wǎng)絡(luò)預(yù)測精度更高;從評價指標來看,由于RNN考慮了時間序列先后關(guān)系,因此在預(yù)測效果上略優(yōu)于BP神經(jīng)網(wǎng)絡(luò);傳統(tǒng)時間序列模型如ARMA模型,以及普通機器學(xué)習(xí)方法如SVR模型等,在預(yù)測時間序列精度上相比神經(jīng)網(wǎng)絡(luò)方法則略顯不足。由于股票指數(shù)的復(fù)雜非線性等特征,也使得時間序列模型預(yù)測方法表現(xiàn)最差。

    本文除提出使用深度學(xué)習(xí)方法預(yù)測股票指數(shù)外,還將探究互聯(lián)網(wǎng)搜索行為數(shù)據(jù)是否能夠提高預(yù)測精度,因此選取一些百度指數(shù)數(shù)據(jù)作為補充數(shù)據(jù)加入LSTM模型。百度指數(shù)數(shù)據(jù)加入前后預(yù)測精度對比如表2所示。

    通過表2數(shù)據(jù)可知,加入證券、股票等百度指數(shù)雖然對LSTM模型預(yù)測精度的提高并不顯著(MAE評價指標在小數(shù)點后第5位上顯示出加入百度指數(shù)后預(yù)測精度更高),但仍在一定程度上有助于模型對上證指數(shù)的預(yù)測。百度指數(shù)對預(yù)測性能提高幅度小的一個可能原因是百度指數(shù)數(shù)據(jù)大多為非結(jié)構(gòu)化數(shù)據(jù),使用互聯(lián)網(wǎng)搜索“股票”能突出人們對股票的關(guān)注度上升,而這種關(guān)注度可能來自于恐慌下跌,也可能來自于持續(xù)牛市。

    2.3 LSTM模型預(yù)測步長研究

    本部分旨在研究LSTM模型在改變模型超參數(shù)——預(yù)測步長時,模型預(yù)測性能的變化。之前研究都統(tǒng)一將預(yù)測步長設(shè)置為7,即用過去7個交易日數(shù)據(jù)進行預(yù)測,因此本文選擇不同的預(yù)測步長:過去1個交易日、3個交易日、5個交易日、10個交易日、20個交易日及50個交易日進行比較研究,在探索LSTM神經(jīng)網(wǎng)絡(luò)是否對預(yù)測步長敏感的同時,也希望尋找最精準的預(yù)測步長,從而為今后的實踐研究提供思路。通過選擇1個交易日、3個交易日、5個交易日、10個交易日的訓(xùn)練步長,可研究如股票指數(shù)等高頻數(shù)據(jù)對短步長的敏感性,選擇20個交易日及50個交易日,可探索LSTM模型對相對較長步長的敏感性,結(jié)果如表3所示。

    通過表3可以直觀地看出,預(yù)測步長的改變對LSTM神經(jīng)網(wǎng)絡(luò)的影響極小,從而體現(xiàn)出LSTM模型訓(xùn)練的穩(wěn)定性。另外當(dāng)預(yù)測步長為10個交易日時,LSTM模型對上證指數(shù)的預(yù)測相對最為準確。但通過研究發(fā)現(xiàn),其余比較模型在改變訓(xùn)練步長時,不但預(yù)測能力依舊不如LSTM模型,而且還會出現(xiàn)無法訓(xùn)練或訓(xùn)練敏感性很強等問題。

    3 結(jié)論與啟示

    本文將深度學(xué)習(xí)方法運用于我國股票指數(shù)預(yù)測,可以看出LSTM神經(jīng)網(wǎng)絡(luò)既繼承了RNN神經(jīng)網(wǎng)絡(luò)適合處理序列問題的特點,又進一步解決了長期依賴問題,同時對時間序列數(shù)據(jù)進行預(yù)測時能夠得到高精度的預(yù)測結(jié)果,其預(yù)測效果優(yōu)于RNN、CNN、BP神經(jīng)網(wǎng)絡(luò)、支持向量回歸、ARMA等模型。通過將百度指數(shù)加入模型后的預(yù)測結(jié)果可以看出,互聯(lián)網(wǎng)數(shù)據(jù)可以小幅提高LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測效果,而通過對LSTM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練步長參數(shù)作出調(diào)整,觀測不同訓(xùn)練步長下LSTM神經(jīng)網(wǎng)絡(luò)的表現(xiàn),可以發(fā)現(xiàn)LSTM神經(jīng)網(wǎng)絡(luò)對訓(xùn)練步長并不敏感??梢姡琇STM在金融經(jīng)濟預(yù)測領(lǐng)域有良好的應(yīng)用前景,未來可研究如何將LSTM網(wǎng)絡(luò)與其它模型相結(jié)合形成集成模型,以進一步提高預(yù)測精度。

    參考文獻:

    [1] 萬建強,文洲. ARIMA模型與ARCH模型在香港股指預(yù)測方面的應(yīng)用比較[J]. 數(shù)理統(tǒng)計與管理, 2001, 20(6):1-4.

    [2] 薛勇,郭菊娥,梁偉. 股指期貨預(yù)測模型構(gòu)建及其應(yīng)用效果分析[J]. 統(tǒng)計與決策,2009(13):19-22.

    [3] 田翔,鄧飛其. 精確在線支持向量回歸在股指預(yù)測中的應(yīng)用[J].計算機工程,2005,31(22):18-20.

    [4] TAY F E H,CAO L J. Modified support vector machines in financial time series forecasting[J]. Neurocomputing, 2002,48:847-861.

    [5] 孫彬,李鐵克. 基于v-SVR的金融股指預(yù)測及選時策略研究[J]. 統(tǒng)計與決策,2010, 30(3):45-48.

    [6] WANG S,SHANG W. Forecasting direction of China security index 300 movement with least squares support vector machine[J]. Procedia Computer Science, 2014, 31:869-874.

    [7] WANG J, HOU R, WANG C, et al. Improved-support vector regression model based on variable selection and brain storm optimization for stock price forecasting[J]. Applied Soft Computing, 2016, 49:164-178.

    [8] 王光強,周佩玲. 神經(jīng)網(wǎng)絡(luò)算法在股指預(yù)測中的應(yīng)用[J]. 計算機工程,2006,32(1):211-212.

    [9] CHEN D L,DISSANAYAKA M K N. Using feed forward BPNN for forecasting all share price index[J]. Journal of Data Analysis and Information Processing, 2014,2(4):87-94.

    [10] 鮑新中,劉澄,孫彬. LM-BP算法在金融股指預(yù)測中的參數(shù)設(shè)定[J]. 系統(tǒng)管理學(xué)報,2009,18(6):667-671.

    [11] 汪勁松,石薇. 多種群遺傳神經(jīng)網(wǎng)絡(luò)在股指預(yù)測中的應(yīng)用[J].統(tǒng)計與決策,2014(14):76-79.

    [12] 黃宏運,朱家明,李詩爭. 基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)在股指預(yù)測中的應(yīng)用研究[J]. 云南大學(xué)學(xué)報:自然科學(xué)版,2017(3):350-355.

    [13] 崔銘元,楊成,溫尚敏. 基于灰色神經(jīng)網(wǎng)絡(luò)的宏觀經(jīng)濟因素修正股指預(yù)測模型[J].軟件,2012,33(9):85-87.

    [14] 張雙. 基于遺傳算法的灰色神經(jīng)網(wǎng)絡(luò)的預(yù)測[J].統(tǒng)計與決策, 2014(17):79-81.

    [15] 陳卓雷,蔣寒迪. 基于GARCH-BP模型的股指預(yù)測及實證分析[J]. 當(dāng)代財經(jīng),2006(6):41-44.

    [16] 吳朝陽. 小波變換和GM—ARMA組合模型的股指預(yù)測[J]. 智能系統(tǒng)學(xué)報,2011,6(3):279-282.

    [17] 史文靜,高巖. EMD 結(jié)合 RBF 神經(jīng)網(wǎng)絡(luò)新混合模型及股指期貨價格預(yù)測[J]. 經(jīng)濟數(shù)學(xué),2015(1):47-51.

    [18] 嚴駿宏. 基于離散小波分解和支持向量機的股指組合預(yù)測[J]. 統(tǒng)計與決策,2017(3):170-173.

    [19] HOCHREITER S,SCHMIDHUBER J. Long short-term memory[J]. Neural Computation,1997,9(8):1735-1780.

    [20] GERS F A,SCHMIDHUBER J,CUMMINS F. Learning to forget: continual prediction with LSTM[J]. Neural Computation, 2000, 12(10):2451-2471.

    [21] GRAVES A,MOHAMED A R,HINTON G. Speech recognition with deep recurrent neural networks[C]. International Conference on Acoustics, Speech and Signal Processing,2013.

    (責(zé)任編輯:黃 健)

    猜你喜歡
    深度學(xué)習(xí)
    從合坐走向合學(xué):淺議新學(xué)習(xí)模式的構(gòu)建
    面向大數(shù)據(jù)遠程開放實驗平臺構(gòu)建研究
    基于自動智能分類器的圖書館亂架圖書檢測
    搭建深度學(xué)習(xí)的三級階梯
    有體驗的學(xué)習(xí)才是有意義的學(xué)習(xí)
    電子商務(wù)中基于深度學(xué)習(xí)的虛假交易識別研究
    利用網(wǎng)絡(luò)技術(shù)促進學(xué)生深度學(xué)習(xí)的幾大策略
    考試周刊(2016年94期)2016-12-12 12:15:04
    MOOC與翻轉(zhuǎn)課堂融合的深度學(xué)習(xí)場域建構(gòu)
    大數(shù)據(jù)技術(shù)在反恐怖主義中的應(yīng)用展望
    深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
    亚洲精品久久成人aⅴ小说| 黄色成人免费大全| 欧美一级毛片孕妇| 久久中文字幕人妻熟女| tube8黄色片| 99九九在线精品视频| 这个男人来自地球电影免费观看| 波多野结衣av一区二区av| 欧美av亚洲av综合av国产av| 极品少妇高潮喷水抽搐| 午夜免费成人在线视频| 多毛熟女@视频| 日韩中文字幕视频在线看片| 国产精品免费大片| 女人精品久久久久毛片| 欧美日韩成人在线一区二区| a在线观看视频网站| 久久天躁狠狠躁夜夜2o2o| 一边摸一边抽搐一进一小说 | 日韩视频在线欧美| 精品一区二区三卡| 久久久欧美国产精品| 国产精品国产av在线观看| 国产精品香港三级国产av潘金莲| 一区福利在线观看| 日韩精品免费视频一区二区三区| 久热这里只有精品99| 激情在线观看视频在线高清 | 国产xxxxx性猛交| 精品亚洲成国产av| 精品一区二区三卡| 国产精品香港三级国产av潘金莲| 一区福利在线观看| 久久久欧美国产精品| 老汉色av国产亚洲站长工具| 亚洲精品国产精品久久久不卡| 天堂动漫精品| 亚洲精品国产精品久久久不卡| 成在线人永久免费视频| 精品免费久久久久久久清纯 | 男女之事视频高清在线观看| 日本a在线网址| 亚洲成av片中文字幕在线观看| 亚洲精品美女久久av网站| 在线天堂中文资源库| 女人久久www免费人成看片| 黄频高清免费视频| 老鸭窝网址在线观看| 亚洲人成电影观看| 一进一出抽搐动态| 首页视频小说图片口味搜索| 熟女少妇亚洲综合色aaa.| 丝袜人妻中文字幕| 纵有疾风起免费观看全集完整版| 又大又爽又粗| 最黄视频免费看| 最新在线观看一区二区三区| 久久久国产一区二区| 最近最新中文字幕大全电影3 | 日韩制服丝袜自拍偷拍| 纯流量卡能插随身wifi吗| 日韩视频在线欧美| 亚洲精品一二三| 女人久久www免费人成看片| 久久精品国产亚洲av高清一级| 国产黄色免费在线视频| 久久午夜亚洲精品久久| 日韩有码中文字幕| 两人在一起打扑克的视频| 大片电影免费在线观看免费| 欧美久久黑人一区二区| 国产av国产精品国产| 精品卡一卡二卡四卡免费| av电影中文网址| 久久国产精品影院| 国产高清视频在线播放一区| 色在线成人网| 久久精品国产亚洲av香蕉五月 | 在线天堂中文资源库| 国产男女超爽视频在线观看| 中文字幕人妻丝袜制服| 日韩大码丰满熟妇| 精品一区二区三区四区五区乱码| www.熟女人妻精品国产| 丝袜美足系列| 国产精品一区二区精品视频观看| 又紧又爽又黄一区二区| 欧美亚洲日本最大视频资源| 国产精品麻豆人妻色哟哟久久| 久久毛片免费看一区二区三区| 欧美激情 高清一区二区三区| 午夜福利在线免费观看网站| 久久免费观看电影| 91国产中文字幕| 波多野结衣一区麻豆| 亚洲国产看品久久| 午夜精品久久久久久毛片777| 黑人欧美特级aaaaaa片| 国产在线一区二区三区精| 亚洲av欧美aⅴ国产| 国产精品偷伦视频观看了| 久9热在线精品视频| 亚洲成a人片在线一区二区| 2018国产大陆天天弄谢| 国精品久久久久久国模美| 我要看黄色一级片免费的| 欧美成人午夜精品| 悠悠久久av| 精品国产一区二区三区四区第35| 欧美激情 高清一区二区三区| 丝袜美腿诱惑在线| 丝袜人妻中文字幕| 亚洲成a人片在线一区二区| 久久午夜综合久久蜜桃| 亚洲av片天天在线观看| 久久久久网色| 亚洲精品在线观看二区| 热99久久久久精品小说推荐| 亚洲熟妇熟女久久| 久久99一区二区三区| 欧美乱妇无乱码| 精品久久蜜臀av无| 精品少妇久久久久久888优播| 757午夜福利合集在线观看| 欧美日韩黄片免| 久久国产精品男人的天堂亚洲| 亚洲精品美女久久av网站| 肉色欧美久久久久久久蜜桃| 两性夫妻黄色片| 成年女人毛片免费观看观看9 | 男人操女人黄网站| 亚洲免费av在线视频| 国产成人av激情在线播放| 两性午夜刺激爽爽歪歪视频在线观看 | 丝袜人妻中文字幕| 久久久精品国产亚洲av高清涩受| 老司机福利观看| 国产av国产精品国产| 黄色视频在线播放观看不卡| 丝瓜视频免费看黄片| 一进一出好大好爽视频| 欧美激情高清一区二区三区| 制服诱惑二区| 自拍欧美九色日韩亚洲蝌蚪91| 精品国产乱子伦一区二区三区| 午夜91福利影院| 一二三四在线观看免费中文在| 涩涩av久久男人的天堂| 日韩欧美国产一区二区入口| 午夜福利乱码中文字幕| 人人妻人人澡人人爽人人夜夜| 十八禁人妻一区二区| 日韩大片免费观看网站| 久久青草综合色| 老司机在亚洲福利影院| 极品少妇高潮喷水抽搐| 国产主播在线观看一区二区| 一个人免费在线观看的高清视频| 久久天躁狠狠躁夜夜2o2o| 夜夜夜夜夜久久久久| 两个人看的免费小视频| 97人妻天天添夜夜摸| 91成人精品电影| 国产欧美日韩精品亚洲av| 久久免费观看电影| 日韩大片免费观看网站| 成人精品一区二区免费| 激情视频va一区二区三区| 在线观看免费视频网站a站| 性高湖久久久久久久久免费观看| 久久精品成人免费网站| 狂野欧美激情性xxxx| 国产精品电影一区二区三区 | 建设人人有责人人尽责人人享有的| 免费黄频网站在线观看国产| 美女高潮到喷水免费观看| 一级片免费观看大全| 在线av久久热| 午夜福利视频精品| 建设人人有责人人尽责人人享有的| 男女无遮挡免费网站观看| 亚洲人成77777在线视频| 如日韩欧美国产精品一区二区三区| 老司机福利观看| 美国免费a级毛片| 不卡一级毛片| av视频免费观看在线观看| 肉色欧美久久久久久久蜜桃| 99热国产这里只有精品6| 国产高清国产精品国产三级| 99久久99久久久精品蜜桃| 国产视频一区二区在线看| 久久狼人影院| 黄色视频,在线免费观看| 美女主播在线视频| 中文字幕最新亚洲高清| a级毛片黄视频| 搡老岳熟女国产| 国产精品自产拍在线观看55亚洲 | 国产欧美日韩综合在线一区二区| www.精华液| 在线十欧美十亚洲十日本专区| 新久久久久国产一级毛片| 亚洲中文av在线| 男女边摸边吃奶| 欧美成人免费av一区二区三区 | 欧美中文综合在线视频| 亚洲欧美一区二区三区久久| 亚洲专区中文字幕在线| 18禁国产床啪视频网站| cao死你这个sao货| 成人国产av品久久久| 99国产极品粉嫩在线观看| 亚洲精品粉嫩美女一区| tocl精华| 高潮久久久久久久久久久不卡| 亚洲专区国产一区二区| 天天躁狠狠躁夜夜躁狠狠躁| 欧美日韩亚洲综合一区二区三区_| 亚洲国产av影院在线观看| 丁香六月欧美| 12—13女人毛片做爰片一| 国产欧美亚洲国产| 久9热在线精品视频| 两个人看的免费小视频| 成人特级黄色片久久久久久久 | 一个人免费在线观看的高清视频| 亚洲天堂av无毛| 高潮久久久久久久久久久不卡| 国产精品亚洲一级av第二区| 人妻 亚洲 视频| 电影成人av| 少妇的丰满在线观看| 精品少妇内射三级| 自线自在国产av| 国产又爽黄色视频| 天堂动漫精品| 久久中文字幕人妻熟女| a级毛片在线看网站| 大片电影免费在线观看免费| 香蕉久久夜色| 十八禁高潮呻吟视频| 成人亚洲精品一区在线观看| 别揉我奶头~嗯~啊~动态视频| 9色porny在线观看| 国产精品1区2区在线观看. | 麻豆乱淫一区二区| 日韩视频在线欧美| 国产成人精品无人区| 欧美另类亚洲清纯唯美| 老司机深夜福利视频在线观看| 亚洲少妇的诱惑av| 老司机影院毛片| aaaaa片日本免费| 亚洲中文日韩欧美视频| 午夜精品国产一区二区电影| 啦啦啦 在线观看视频| 91国产中文字幕| 久久国产精品人妻蜜桃| 黄网站色视频无遮挡免费观看| 高清视频免费观看一区二区| 麻豆av在线久日| 亚洲欧洲精品一区二区精品久久久| 国产精品1区2区在线观看. | 亚洲一区中文字幕在线| 成年动漫av网址| av网站免费在线观看视频| 亚洲国产中文字幕在线视频| 黄色视频在线播放观看不卡| av视频免费观看在线观看| 中国美女看黄片| av天堂久久9| 欧美日韩黄片免| 黄色视频不卡| 无人区码免费观看不卡 | 久久久国产精品麻豆| 日本wwww免费看| 亚洲国产欧美网| 新久久久久国产一级毛片| 国产精品av久久久久免费| 菩萨蛮人人尽说江南好唐韦庄| 王馨瑶露胸无遮挡在线观看| 97在线人人人人妻| 免费观看av网站的网址| 久久久国产一区二区| 九色亚洲精品在线播放| 在线永久观看黄色视频| 国产成人影院久久av| 丰满迷人的少妇在线观看| 女人被躁到高潮嗷嗷叫费观| 午夜福利免费观看在线| 欧美黄色淫秽网站| 色婷婷久久久亚洲欧美| 精品视频人人做人人爽| 久久天躁狠狠躁夜夜2o2o| 久久久久久久久免费视频了| 美女视频免费永久观看网站| 国产欧美日韩精品亚洲av| 亚洲国产av影院在线观看| 又黄又粗又硬又大视频| 国产野战对白在线观看| 国产av精品麻豆| 欧美日韩亚洲国产一区二区在线观看 | 日本黄色视频三级网站网址 | 日韩三级视频一区二区三区| 国产欧美日韩综合在线一区二区| 大片免费播放器 马上看| 欧美在线黄色| 亚洲一码二码三码区别大吗| 十分钟在线观看高清视频www| 又黄又粗又硬又大视频| 天天影视国产精品| av网站免费在线观看视频| 久久影院123| 女人被躁到高潮嗷嗷叫费观| 俄罗斯特黄特色一大片| 国产精品美女特级片免费视频播放器 | 日韩大码丰满熟妇| 国产精品欧美亚洲77777| 亚洲欧美精品综合一区二区三区| 99re在线观看精品视频| 久久精品91无色码中文字幕| 我的亚洲天堂| 亚洲 国产 在线| 欧美激情高清一区二区三区| www.精华液| 美女视频免费永久观看网站| 女性生殖器流出的白浆| 免费不卡黄色视频| 国产老妇伦熟女老妇高清| 国产一卡二卡三卡精品| 一区在线观看完整版| 日日摸夜夜添夜夜添小说| 91成人精品电影| 久久久久国内视频| 9191精品国产免费久久| 国产不卡av网站在线观看| 日本vs欧美在线观看视频| 一二三四在线观看免费中文在| 叶爱在线成人免费视频播放| 黑人猛操日本美女一级片| 自线自在国产av| 日韩大码丰满熟妇| 精品少妇内射三级| 搡老岳熟女国产| 色精品久久人妻99蜜桃| 日日夜夜操网爽| 在线观看一区二区三区激情| 一边摸一边抽搐一进一小说 | 一本综合久久免费| 精品人妻在线不人妻| 亚洲天堂av无毛| 免费在线观看视频国产中文字幕亚洲| 欧美变态另类bdsm刘玥| 一区在线观看完整版| 国产精品久久久久成人av| 考比视频在线观看| 一区在线观看完整版| 超碰成人久久| 国产不卡av网站在线观看| 99久久国产精品久久久| 女性被躁到高潮视频| 中文字幕人妻丝袜一区二区| 夜夜夜夜夜久久久久| 亚洲五月色婷婷综合| 国产精品一区二区在线观看99| 欧美日韩亚洲国产一区二区在线观看 | 天天添夜夜摸| 亚洲综合色网址| 亚洲三区欧美一区| 国内毛片毛片毛片毛片毛片| 中文字幕最新亚洲高清| 久久精品国产a三级三级三级| 日本a在线网址| 人人澡人人妻人| 巨乳人妻的诱惑在线观看| 丝袜人妻中文字幕| 国产在视频线精品| 国产91精品成人一区二区三区 | 蜜桃国产av成人99| 香蕉丝袜av| av一本久久久久| 亚洲精品成人av观看孕妇| 日韩熟女老妇一区二区性免费视频| 色综合欧美亚洲国产小说| 超碰97精品在线观看| 男女之事视频高清在线观看| 黄色a级毛片大全视频| 97在线人人人人妻| 99riav亚洲国产免费| 一区二区三区乱码不卡18| 欧美老熟妇乱子伦牲交| 亚洲国产av新网站| 亚洲欧美日韩另类电影网站| 久久精品人人爽人人爽视色| 久久久精品94久久精品| 老熟女久久久| 中国美女看黄片| 丰满少妇做爰视频| 精品乱码久久久久久99久播| 首页视频小说图片口味搜索| 国产无遮挡羞羞视频在线观看| 天堂中文最新版在线下载| 看免费av毛片| 久热这里只有精品99| 操美女的视频在线观看| 建设人人有责人人尽责人人享有的| 狠狠婷婷综合久久久久久88av| 青青草视频在线视频观看| 天天影视国产精品| 一区在线观看完整版| 亚洲精品一卡2卡三卡4卡5卡| 黑丝袜美女国产一区| 黄片播放在线免费| 美女午夜性视频免费| 一进一出抽搐动态| 女同久久另类99精品国产91| 俄罗斯特黄特色一大片| 日本黄色日本黄色录像| 9色porny在线观看| 成人av一区二区三区在线看| 久久天躁狠狠躁夜夜2o2o| 国产成+人综合+亚洲专区| 美女高潮喷水抽搐中文字幕| 欧美一级毛片孕妇| 日韩欧美国产一区二区入口| 中亚洲国语对白在线视频| 欧美日韩国产mv在线观看视频| 人人妻人人爽人人添夜夜欢视频| 国产精品亚洲av一区麻豆| 亚洲成人免费电影在线观看| 俄罗斯特黄特色一大片| 一级毛片女人18水好多| 国产真人三级小视频在线观看| 在线观看免费午夜福利视频| 亚洲精品成人av观看孕妇| 亚洲欧美一区二区三区黑人| 亚洲精品久久午夜乱码| 国产成人系列免费观看| 波多野结衣一区麻豆| 国产精品1区2区在线观看. | 久久久久久免费高清国产稀缺| 亚洲精品中文字幕一二三四区 | 性高湖久久久久久久久免费观看| 最新美女视频免费是黄的| 一级片'在线观看视频| 久久精品国产99精品国产亚洲性色 | 久久亚洲真实| 亚洲欧美一区二区三区久久| 国产精品免费一区二区三区在线 | a在线观看视频网站| 丰满少妇做爰视频| 日韩三级视频一区二区三区| 久久影院123| 精品视频人人做人人爽| 国产成人一区二区三区免费视频网站| 日韩中文字幕欧美一区二区| 亚洲一码二码三码区别大吗| 亚洲午夜理论影院| 亚洲男人天堂网一区| 亚洲欧洲日产国产| 国产男靠女视频免费网站| 久久九九热精品免费| 久久久久网色| 日韩欧美免费精品| 丁香六月欧美| 人人妻人人爽人人添夜夜欢视频| 国产亚洲午夜精品一区二区久久| 极品少妇高潮喷水抽搐| 午夜老司机福利片| 国产精品1区2区在线观看. | 久久国产精品男人的天堂亚洲| 精品熟女少妇八av免费久了| 一区二区三区激情视频| 亚洲国产欧美一区二区综合| 99国产精品一区二区三区| 日韩熟女老妇一区二区性免费视频| 黄片播放在线免费| kizo精华| 夫妻午夜视频| 麻豆一二三区av精品| 日本 av在线| 欧美中文日本在线观看视频| 精品电影一区二区在线| a在线观看视频网站| 欧美日韩精品网址| 一夜夜www| 9191精品国产免费久久| 亚洲精品国产精品久久久不卡| 国产精品一区二区免费欧美| 久久这里只有精品中国| 又爽又黄无遮挡网站| 女人高潮潮喷娇喘18禁视频| 别揉我奶头~嗯~啊~动态视频| 国产一区二区三区视频了| 男插女下体视频免费在线播放| 国产乱人伦免费视频| 亚洲av第一区精品v没综合| 欧美乱码精品一区二区三区| 国产精品日韩av在线免费观看| 可以在线观看毛片的网站| 亚洲国产欧洲综合997久久,| 亚洲精品乱码久久久v下载方式 | 99re在线观看精品视频| 99久国产av精品| 亚洲国产精品sss在线观看| 99热6这里只有精品| 一进一出抽搐gif免费好疼| tocl精华| 九九在线视频观看精品| 亚洲国产欧美一区二区综合| 国产精品一区二区精品视频观看| 免费人成视频x8x8入口观看| 日韩国内少妇激情av| 91av网站免费观看| 亚洲国产日韩欧美精品在线观看 | 一个人免费在线观看电影 | 国产精品av久久久久免费| 91在线观看av| 琪琪午夜伦伦电影理论片6080| 一级毛片精品| 深夜精品福利| 级片在线观看| 一进一出好大好爽视频| 99久久成人亚洲精品观看| 99久久精品热视频| 国产av一区在线观看免费| 久久精品国产清高在天天线| 亚洲欧洲精品一区二区精品久久久| 丰满的人妻完整版| 国产精品永久免费网站| 九九久久精品国产亚洲av麻豆 | av福利片在线观看| 欧美黑人巨大hd| 黑人巨大精品欧美一区二区mp4| 香蕉国产在线看| 午夜视频精品福利| 可以在线观看的亚洲视频| 97碰自拍视频| 亚洲欧美激情综合另类| 亚洲真实伦在线观看| 99热6这里只有精品| 每晚都被弄得嗷嗷叫到高潮| 后天国语完整版免费观看| 不卡一级毛片| 国产精品美女特级片免费视频播放器 | 伊人久久大香线蕉亚洲五| 在线观看免费午夜福利视频| 成人av一区二区三区在线看| 在线观看免费午夜福利视频| 日韩人妻高清精品专区| x7x7x7水蜜桃| 村上凉子中文字幕在线| 免费看日本二区| 五月伊人婷婷丁香| 欧洲精品卡2卡3卡4卡5卡区| 1024香蕉在线观看| 久久国产精品人妻蜜桃| 99精品欧美一区二区三区四区| 脱女人内裤的视频| 久久久久久国产a免费观看| 国产精品电影一区二区三区| 国产精品女同一区二区软件 | 欧美日韩精品网址| 中亚洲国语对白在线视频| 在线观看66精品国产| 国产亚洲av嫩草精品影院| 亚洲中文字幕一区二区三区有码在线看 | 又爽又黄无遮挡网站| 在线视频色国产色| 蜜桃久久精品国产亚洲av| 色综合亚洲欧美另类图片| 国产 一区 欧美 日韩| 免费高清视频大片| 少妇的逼水好多| 听说在线观看完整版免费高清| 亚洲无线观看免费| 91在线精品国自产拍蜜月 | 麻豆久久精品国产亚洲av| 欧美日韩福利视频一区二区| 神马国产精品三级电影在线观看| 日本黄色片子视频| 精品久久久久久,| 国产精品久久电影中文字幕| 国产91精品成人一区二区三区| 看免费av毛片| 天天添夜夜摸| 757午夜福利合集在线观看| 国模一区二区三区四区视频 | 毛片女人毛片| 男人舔女人的私密视频| 日本撒尿小便嘘嘘汇集6| 97人妻精品一区二区三区麻豆| 日本在线视频免费播放| 88av欧美| 亚洲国产欧美网| 最近最新中文字幕大全免费视频| 亚洲专区国产一区二区| 午夜精品在线福利| 老熟妇仑乱视频hdxx| 亚洲成a人片在线一区二区| 国产一区二区在线观看日韩 | 日韩有码中文字幕| 国产三级在线视频| 欧美一级毛片孕妇| 国产91精品成人一区二区三区| 脱女人内裤的视频| 99国产综合亚洲精品| 亚洲一区二区三区不卡视频| 中亚洲国语对白在线视频| 人妻夜夜爽99麻豆av| 热99re8久久精品国产| 美女大奶头视频| 一本精品99久久精品77| 美女高潮喷水抽搐中文字幕|