基于DBN的金融时序数据建模与决策

被引：10

作者：

曾志平 ^{[1
,2
]}

萧海东 ^{[2
]}

张新鹏 ^{[1
]}

机构：

[1] 上海大学通信与信息工程学院

[2] 中国科学院上海高等研究院智慧城市研究中心

来源：

计算机技术与发展 | 2017年 / 27卷 / 04期

关键词：

深度信念网络; 受限玻尔兹曼机; 深度学习; 金融时序数据; 预测与决策;

D O I：

暂无

中图分类号：

TP181 [自动推理、机器学习]; TP311.13 []; F832.51 [];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ; 1201 ; 020204 ;

摘要：

在金融时序数据的分析中经常会遇到一些复杂的非线性系统,利用数学方法很难对这些复杂的系统状态方程准确建模。针对目前金融时序的数据分析复杂性和不确定性等问题,将对复杂非线性系统的模拟转化为对金融时序数据曲线的模式识别,确定了金融时序数据上升、下降以及无规则的各种模式。利用深度学习对非结构化数据处理的优势,提出了一种改进的基于深度信念网络(DBN)决策算法的金融时序数据建模与分析方法。将时序数据转化为非结构化数据,以这些非结构化数据作为深度学习网络的输入层训练DBN金融时序数据模型,应用训练好的模型于金融时序数据样本的预测选取和交易。实验结果表明,利用DBN模型选择的金融数据样本在金融时序数据量化的决策分析中的准确率可达到90.544 2%。

引用

页码：1 / 5

页数：5

共 11 条

[1] 股票-债券投资组合问题的数学模型及算法 [J].

孙小军 ;

张银利 .

系统工程理论与实践, 2015, (06) :1433-1439

[2] 基于小波分析的股指期货高频预测研究 [J].

刘向丽 ;

王旭朋 .

系统工程理论与实践, 2015, 35 (06) :1425-1432

[3] 基本面分析和技术分析流派市场价格博弈——基于方法相关性下的研究 [J].

杨用斌 ;

杨唯实 .

经济问题, 2013, (11) :78-81

[4] 深度学习的昨天、今天和明天 [J].

余凯 ;

贾磊 ;

陈雨强 ;

徐伟 .

计算机研究与发展, 2013, 50 (09) :1799-1804

[5] 深度学习研究综述 [J].

孙志军 ;

薛磊 ;

许阳明 ;

王正 .

计算机应用研究, 2012, 29 (08) :2806-2810

[6] 基于微博的股票投资者未来情感倾向识别研究 [J].

庞磊 ;

李寿山 ;

张慧 ;

周国栋 .

计算机科学, 2012, 39(S1) (S1) :249-252

[7] 基于模糊模式识别的金融数据分析 [J].

胡晓彤 ;

王子银 .

制造业自动化, 2011, 33 (04) :208-211

[8]

Forecasting exchange rate using deep belief networks and conjugate gradient method[J] . Furao Shen,Jing Chao,Jinxi Zhao.Neurocomputing . 2015

[9]

Time series forecasting using a deep belief network with restricted Boltzmann machines[J] . Takashi Kuremoto,Shinsuke Kimura,Kunikazu Kobayashi,Masanao Obayashi.Neurocomputing . 2013

[10]

Multi-column deep neural network for traffic sign classification[J] . Neural Networks . 2012

← 1 2 →