• <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
    国产 一区精品| 美女脱内裤让男人舔精品视频| 蜜臀久久99精品久久宅男| 欧美日本视频| 六月丁香七月| 久久久久久久国产电影| 大片电影免费在线观看免费| 蜜臀久久99精品久久宅男| 身体一侧抽搐| 女人久久www免费人成看片| 亚洲欧美成人精品一区二区| 97超碰精品成人国产| 伊人久久国产一区二区| 最近的中文字幕免费完整| 国产精品熟女久久久久浪| 99久久综合免费| 国产成人a∨麻豆精品| 久久综合国产亚洲精品| 欧美性感艳星| 免费大片18禁| 青春草亚洲视频在线观看| 国产精品三级大全| 国产高清国产精品国产三级 | 久久精品国产亚洲网站| 天美传媒精品一区二区| 色哟哟·www| 777米奇影视久久| 亚洲熟女精品中文字幕| 国产爱豆传媒在线观看| 大话2 男鬼变身卡| 肉色欧美久久久久久久蜜桃| 人妻制服诱惑在线中文字幕| 国产欧美亚洲国产| 女人久久www免费人成看片| 亚洲精品一二三| 欧美97在线视频| 一级毛片aaaaaa免费看小| 亚洲三级黄色毛片| a级一级毛片免费在线观看| 国产伦在线观看视频一区| 免费黄频网站在线观看国产| 免费黄色在线免费观看| 天天躁日日操中文字幕| 日日摸夜夜添夜夜爱| 一级毛片久久久久久久久女| 成人影院久久| 免费av中文字幕在线| 亚洲内射少妇av| 日韩av免费高清视频| 啦啦啦在线观看免费高清www| 国产精品久久久久久精品电影小说 | 我要看日韩黄色一级片| 日韩强制内射视频| 日本爱情动作片www.在线观看| 99热国产这里只有精品6| 国产成人aa在线观看| 精品一区二区三区视频在线| a级毛色黄片| 国产精品一区www在线观看| 欧美区成人在线视频| 一级片'在线观看视频| 久久久久久久久久人人人人人人| 国产午夜精品一二区理论片| 精品酒店卫生间| 欧美三级亚洲精品| 日产精品乱码卡一卡2卡三| 亚洲自偷自拍三级| 亚洲,一卡二卡三卡| 国产人妻一区二区三区在| 亚洲国产精品国产精品| 日韩欧美一区视频在线观看 | 国产日韩欧美在线精品| 国产欧美亚洲国产| 2022亚洲国产成人精品| 少妇的逼好多水| 午夜老司机福利剧场| 妹子高潮喷水视频| 久久久a久久爽久久v久久| 中国美白少妇内射xxxbb| 国产男女超爽视频在线观看| 久久久亚洲精品成人影院| 成年美女黄网站色视频大全免费 | 免费观看无遮挡的男女| a 毛片基地| 亚洲国产成人一精品久久久| 赤兔流量卡办理| 成人亚洲欧美一区二区av| 精品人妻视频免费看| 免费久久久久久久精品成人欧美视频 | 国产亚洲一区二区精品| 久久青草综合色| 在线精品无人区一区二区三 | 黄色欧美视频在线观看| 国产乱人偷精品视频| 亚洲av在线观看美女高潮| 高清av免费在线| 欧美三级亚洲精品| 免费少妇av软件| 夜夜爽夜夜爽视频| 99re6热这里在线精品视频| 女人久久www免费人成看片| 久久久午夜欧美精品| 日韩大片免费观看网站| 天美传媒精品一区二区| 国产精品久久久久久精品电影小说 | 免费av中文字幕在线| 激情五月婷婷亚洲| xxx大片免费视频| 美女xxoo啪啪120秒动态图| 能在线免费看毛片的网站| 一级毛片我不卡| 久久久久网色| 午夜福利影视在线免费观看| 国产精品一区www在线观看| 人人妻人人添人人爽欧美一区卜 | 久久精品国产鲁丝片午夜精品| 亚洲无线观看免费| 午夜福利在线观看免费完整高清在| 一区二区av电影网| 最近中文字幕高清免费大全6| 99热6这里只有精品| 亚洲av成人精品一区久久| 人人妻人人爽人人添夜夜欢视频 | 九草在线视频观看| av.在线天堂| 亚洲伊人久久精品综合| 免费观看性生交大片5| 乱系列少妇在线播放| 美女中出高潮动态图| 天堂中文最新版在线下载| 九九久久精品国产亚洲av麻豆| 我要看日韩黄色一级片| 国产精品熟女久久久久浪| 欧美成人精品欧美一级黄| 91精品国产九色| av黄色大香蕉| 欧美激情国产日韩精品一区| 亚洲欧美一区二区三区黑人 | 亚洲精品第二区| 久久久久久久久久久丰满| 熟女av电影| 欧美精品一区二区大全| 国产精品无大码| 国产亚洲最大av| 国产白丝娇喘喷水9色精品| 精品亚洲成a人片在线观看 | 成年美女黄网站色视频大全免费 | 午夜免费鲁丝| 少妇猛男粗大的猛烈进出视频| 老司机影院成人| 国产精品女同一区二区软件| 国产午夜精品久久久久久一区二区三区| 国产在线男女| 中文字幕久久专区| 亚洲成色77777| av.在线天堂| 国产一区二区在线观看日韩| 国产精品欧美亚洲77777| 日日摸夜夜添夜夜爱| 一级黄片播放器| 亚洲不卡免费看| 国产午夜精品一二区理论片| h日本视频在线播放| 国内少妇人妻偷人精品xxx网站| 亚洲成人中文字幕在线播放| 国产精品免费大片| 亚洲,一卡二卡三卡| 麻豆成人午夜福利视频| 久久久久久人妻| 国产又色又爽无遮挡免| 成人亚洲欧美一区二区av| 黄片无遮挡物在线观看| 在线观看三级黄色| 国产免费一区二区三区四区乱码| 免费看av在线观看网站| 亚洲精品乱码久久久v下载方式| 久久国产精品男人的天堂亚洲 | 秋霞在线观看毛片| 在线观看人妻少妇| 国产精品一区二区三区四区免费观看| 国产高潮美女av| 国产一区亚洲一区在线观看| 久久ye,这里只有精品| 最后的刺客免费高清国语| 国产精品久久久久久久久免| 国产大屁股一区二区在线视频| 国产毛片在线视频| 九九在线视频观看精品| 只有这里有精品99| 最近最新中文字幕免费大全7| 成人影院久久| 久久精品夜色国产| 日韩一区二区视频免费看| 亚洲第一区二区三区不卡| 欧美日韩精品成人综合77777| 多毛熟女@视频| 欧美xxxx黑人xx丫x性爽| 99热这里只有是精品在线观看| 大又大粗又爽又黄少妇毛片口| 日本-黄色视频高清免费观看| av免费在线看不卡| 美女内射精品一级片tv| 亚洲美女搞黄在线观看| 看免费成人av毛片| 亚洲精品日韩av片在线观看| 亚洲内射少妇av| 亚洲欧美日韩卡通动漫| 亚洲综合精品二区| 少妇的逼好多水| 免费大片18禁| 亚洲av不卡在线观看| 亚洲成人av在线免费| 丰满人妻一区二区三区视频av| 婷婷色综合www| 亚洲第一av免费看| 夫妻性生交免费视频一级片| 国产精品秋霞免费鲁丝片| 性色avwww在线观看| 久久久a久久爽久久v久久| 欧美xxⅹ黑人| 我要看日韩黄色一级片| 色视频www国产| 人人妻人人爽人人添夜夜欢视频 | 不卡视频在线观看欧美| 欧美精品一区二区大全| 久久综合国产亚洲精品| 国产精品一二三区在线看| 亚洲精华国产精华液的使用体验| 日产精品乱码卡一卡2卡三| 搡老乐熟女国产| 精品人妻熟女av久视频| 国产成人91sexporn| 亚洲av男天堂| 亚洲伊人久久精品综合| av天堂中文字幕网| 亚洲成人中文字幕在线播放| 男女边吃奶边做爰视频| 亚洲欧美清纯卡通| 在现免费观看毛片| 水蜜桃什么品种好| 国产大屁股一区二区在线视频| av视频免费观看在线观看| 欧美成人一区二区免费高清观看| 午夜激情福利司机影院| 亚洲精品国产av蜜桃| 亚洲人成网站在线观看播放| 免费av不卡在线播放| 久久久久久久久久人人人人人人| 国产亚洲一区二区精品| 久久久a久久爽久久v久久| 国产午夜精品一二区理论片| 日韩一本色道免费dvd| 亚洲精品色激情综合| 亚洲国产最新在线播放| 观看免费一级毛片| 老司机影院毛片| 18禁裸乳无遮挡动漫免费视频| 久久久久精品性色| 欧美97在线视频| 欧美日韩一区二区视频在线观看视频在线| 国产精品av视频在线免费观看| 国产男女内射视频| 精品午夜福利在线看| 2018国产大陆天天弄谢| 日韩中文字幕视频在线看片 | 欧美日韩视频高清一区二区三区二| 国产精品欧美亚洲77777| 精品少妇久久久久久888优播| 国产白丝娇喘喷水9色精品| 成人无遮挡网站| 久久99热这里只频精品6学生| 国产国拍精品亚洲av在线观看| 日韩人妻高清精品专区| 亚洲av二区三区四区| 黄色一级大片看看| 亚洲无线观看免费| 欧美变态另类bdsm刘玥| 韩国高清视频一区二区三区| 天堂俺去俺来也www色官网| 国产老妇伦熟女老妇高清| av线在线观看网站| 18禁裸乳无遮挡免费网站照片| 我要看日韩黄色一级片| 精品一区在线观看国产| 91久久精品国产一区二区三区| 亚洲美女黄色视频免费看| 午夜日本视频在线| 亚洲欧美一区二区三区黑人 | 欧美日韩国产mv在线观看视频 | 午夜视频国产福利| 久久毛片免费看一区二区三区| 久久av网站| 天堂中文最新版在线下载| 亚洲怡红院男人天堂| 超碰av人人做人人爽久久| 欧美成人一区二区免费高清观看| 91精品国产九色| 国产一区有黄有色的免费视频| 亚洲在久久综合| 91久久精品电影网| 国产成人91sexporn| 丰满乱子伦码专区| 国产精品精品国产色婷婷| 日韩不卡一区二区三区视频在线| 高清日韩中文字幕在线| 国国产精品蜜臀av免费| 欧美日韩视频高清一区二区三区二| av不卡在线播放| 亚洲国产精品国产精品| 少妇的逼水好多| 欧美日本视频| 身体一侧抽搐| 美女国产视频在线观看| 亚洲精品国产色婷婷电影| 欧美日韩国产mv在线观看视频 | 高清视频免费观看一区二区| 久久人妻熟女aⅴ| 亚洲伊人久久精品综合| 久久人人爽av亚洲精品天堂 | 国产成人午夜福利电影在线观看| 成人亚洲精品一区在线观看 | 国内揄拍国产精品人妻在线| 中国国产av一级| 一级毛片我不卡| 国产中年淑女户外野战色| 中文字幕免费在线视频6| 欧美老熟妇乱子伦牲交| 男的添女的下面高潮视频| 99热网站在线观看| 久久影院123| 日本一二三区视频观看| 欧美极品一区二区三区四区| 99re6热这里在线精品视频| 男女免费视频国产| 少妇人妻 视频| 激情 狠狠 欧美| 日本欧美国产在线视频| 国产精品伦人一区二区| 日韩视频在线欧美| 免费大片黄手机在线观看| 久久精品人妻少妇| 国产亚洲91精品色在线| 男男h啪啪无遮挡| 女性被躁到高潮视频| 国产精品国产av在线观看| 久久亚洲国产成人精品v| 午夜福利高清视频| 国产精品人妻久久久影院| 综合色丁香网| 亚洲欧美日韩另类电影网站 | 国产大屁股一区二区在线视频| 色综合色国产| 久久99蜜桃精品久久| 一级片'在线观看视频| 在线观看三级黄色| 一区二区三区四区激情视频| 免费在线观看成人毛片| 国产免费又黄又爽又色| 两个人的视频大全免费| 亚洲美女视频黄频| 日韩成人av中文字幕在线观看| 日本黄色片子视频| 蜜桃在线观看..| 成人毛片a级毛片在线播放| 26uuu在线亚洲综合色| 国产探花极品一区二区| 国产黄色免费在线视频| 久久精品国产自在天天线| 午夜老司机福利剧场| 精品视频人人做人人爽| 午夜福利在线在线| 校园人妻丝袜中文字幕| 亚洲不卡免费看| 亚洲欧美一区二区三区黑人 | 午夜视频国产福利| 日本av免费视频播放| 91精品国产国语对白视频| 黄色欧美视频在线观看| 男女啪啪激烈高潮av片| 嫩草影院新地址| 伊人久久国产一区二区| 交换朋友夫妻互换小说| 激情五月婷婷亚洲| 妹子高潮喷水视频| 黑丝袜美女国产一区| 自拍欧美九色日韩亚洲蝌蚪91 | 少妇 在线观看| 不卡视频在线观看欧美| 精品久久久久久电影网| 一本一本综合久久| 涩涩av久久男人的天堂| 日本黄大片高清| 少妇的逼好多水| 国产69精品久久久久777片| 人人妻人人澡人人爽人人夜夜| 搡女人真爽免费视频火全软件| 在线 av 中文字幕| 亚洲,欧美,日韩| 99热国产这里只有精品6| 国产精品99久久99久久久不卡 | 少妇人妻一区二区三区视频| 观看美女的网站| 水蜜桃什么品种好| 色综合色国产| 国产精品三级大全| 欧美极品一区二区三区四区| 永久免费av网站大全| 久久青草综合色| 老师上课跳d突然被开到最大视频| 亚洲av日韩在线播放| 啦啦啦中文免费视频观看日本| 黄色欧美视频在线观看| 91精品国产国语对白视频| 国产av一区二区精品久久 | 国产综合精华液| 联通29元200g的流量卡| 男人舔奶头视频| 欧美zozozo另类| 国产亚洲av片在线观看秒播厂| 久久久亚洲精品成人影院| 精品久久久精品久久久| h视频一区二区三区| 草草在线视频免费看| 美女内射精品一级片tv| 国产精品国产av在线观看| 七月丁香在线播放| 韩国高清视频一区二区三区| 少妇高潮的动态图| 午夜激情久久久久久久| 韩国高清视频一区二区三区| 你懂的网址亚洲精品在线观看| 成人特级av手机在线观看| 国产乱人偷精品视频| 国产乱人视频| 国产免费一区二区三区四区乱码| 蜜桃在线观看..| 日韩三级伦理在线观看| 亚洲图色成人| 国产精品一区二区在线不卡| 国产日韩欧美亚洲二区| 男的添女的下面高潮视频| 一二三四中文在线观看免费高清| 18禁动态无遮挡网站| 国产爱豆传媒在线观看| 免费观看性生交大片5| 成人美女网站在线观看视频| 精华霜和精华液先用哪个| 最近手机中文字幕大全| 99re6热这里在线精品视频| 精品久久国产蜜桃| 精品亚洲乱码少妇综合久久| 黑人高潮一二区| 亚洲aⅴ乱码一区二区在线播放| 日本欧美视频一区| 国产精品偷伦视频观看了| 色婷婷久久久亚洲欧美| 日韩一区二区视频免费看| 久久久久精品久久久久真实原创| 国产片特级美女逼逼视频| 大陆偷拍与自拍| 久久影院123| 一级爰片在线观看| 久久国产乱子免费精品| 日韩欧美精品免费久久| 人妻 亚洲 视频| 99热网站在线观看| 美女视频免费永久观看网站| 美女脱内裤让男人舔精品视频| 嫩草影院新地址| 97超碰精品成人国产| 国产欧美另类精品又又久久亚洲欧美| 成年免费大片在线观看| 中文天堂在线官网| 在线观看免费高清a一片| 久久毛片免费看一区二区三区| 777米奇影视久久| 久久精品国产亚洲av天美| 国产精品偷伦视频观看了| 人妻少妇偷人精品九色| 老司机影院毛片| 日本av手机在线免费观看| kizo精华| 2018国产大陆天天弄谢| 在线亚洲精品国产二区图片欧美 | 国产精品99久久99久久久不卡 | 搡老乐熟女国产| 亚洲第一av免费看| 高清日韩中文字幕在线| 女的被弄到高潮叫床怎么办| 亚洲真实伦在线观看| av不卡在线播放| 久久人妻熟女aⅴ| 在线观看免费高清a一片| 中文资源天堂在线| 欧美少妇被猛烈插入视频| 一个人免费看片子| 看非洲黑人一级黄片| 欧美3d第一页| 久久久午夜欧美精品| 欧美xxxx黑人xx丫x性爽| 在线精品无人区一区二区三 | 自拍欧美九色日韩亚洲蝌蚪91 | 精品亚洲成国产av| 少妇人妻 视频| 嘟嘟电影网在线观看| 日韩av不卡免费在线播放| av不卡在线播放| 插逼视频在线观看| 久久精品久久精品一区二区三区| 在线精品无人区一区二区三 | 97超碰精品成人国产| 欧美少妇被猛烈插入视频| 大又大粗又爽又黄少妇毛片口| 中国三级夫妇交换| 97在线人人人人妻| av国产免费在线观看| 亚洲精品成人av观看孕妇| 人妻夜夜爽99麻豆av| 精品久久久精品久久久| 一个人看的www免费观看视频| 国产成人免费无遮挡视频| 成人一区二区视频在线观看| 18禁裸乳无遮挡动漫免费视频| 最近最新中文字幕大全电影3| 看非洲黑人一级黄片| 啦啦啦啦在线视频资源| 午夜福利在线在线| 国产淫片久久久久久久久| 韩国av在线不卡| 亚洲欧美成人精品一区二区| 一级a做视频免费观看| 国产大屁股一区二区在线视频| 又大又黄又爽视频免费| 亚洲精品456在线播放app| 街头女战士在线观看网站| 国产精品99久久99久久久不卡 | 在线观看一区二区三区激情| 最黄视频免费看| 乱系列少妇在线播放| 久久亚洲国产成人精品v| 久久影院123| 亚洲性久久影院| 国产精品女同一区二区软件| 97在线人人人人妻| 色吧在线观看| 亚洲精品一区蜜桃| 国产亚洲5aaaaa淫片| 婷婷色av中文字幕| 亚洲精品日韩av片在线观看| 国产精品一二三区在线看| 国产乱人视频| 麻豆成人午夜福利视频| 永久免费av网站大全| 国产黄色视频一区二区在线观看| 国产高潮美女av| 亚洲欧美日韩另类电影网站 | 麻豆国产97在线/欧美| 美女中出高潮动态图| 成人特级av手机在线观看| 中文字幕久久专区| 亚洲怡红院男人天堂| 久久精品国产a三级三级三级| 亚洲欧美成人综合另类久久久| 欧美3d第一页| 亚洲欧美精品专区久久| 免费看av在线观看网站| 一区在线观看完整版| 干丝袜人妻中文字幕| 国产一区二区三区av在线| 免费黄网站久久成人精品| 又大又黄又爽视频免费| 欧美高清性xxxxhd video| 精品久久久久久电影网| 又爽又黄a免费视频| 国产欧美另类精品又又久久亚洲欧美| av在线老鸭窝| 五月玫瑰六月丁香| 亚洲人成网站高清观看| 亚洲综合色惰| 一个人免费看片子| 亚洲自偷自拍三级| 久久婷婷青草| 我要看日韩黄色一级片| 欧美日本视频| 人人妻人人添人人爽欧美一区卜 | av免费观看日本| 熟妇人妻不卡中文字幕| 亚洲美女视频黄频| av黄色大香蕉| 最近最新中文字幕免费大全7| 中文字幕久久专区| 精品久久久久久久久av| 免费人成在线观看视频色| 91久久精品国产一区二区三区| 在线播放无遮挡| 久久精品久久精品一区二区三区| 岛国毛片在线播放| 国产在视频线精品| 成人毛片a级毛片在线播放| 热99国产精品久久久久久7| 91午夜精品亚洲一区二区三区| 久久精品夜色国产| 国产精品偷伦视频观看了| 成年av动漫网址| 最近最新中文字幕免费大全7| 成年女人在线观看亚洲视频| av一本久久久久| 国产精品99久久久久久久久| 免费观看性生交大片5| 免费av不卡在线播放| 午夜福利影视在线免费观看| 精品熟女少妇av免费看| 久久久久精品性色| 亚洲一区二区三区欧美精品| 亚洲av综合色区一区|