基于深度學(xué)習(xí)的量化金融數(shù)據(jù)分析系統(tǒng)與原型實(shí)現(xiàn).pdf

1、隨著全球經(jīng)濟(jì)與人工智能的發(fā)展，機(jī)器學(xué)習(xí)技術(shù)在全球范圍內(nèi)掀起了一股研究熱，人工神經(jīng)網(wǎng)絡(luò)也得以迅速傳播。隨后，Hinton等人在人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上提出了深度學(xué)習(xí)的思想，簡(jiǎn)單說(shuō)，它就是包含多個(gè)隱藏層的深度神經(jīng)網(wǎng)絡(luò)，具有比人工神經(jīng)網(wǎng)絡(luò)更優(yōu)秀的學(xué)習(xí)能力，能夠?qū)?shù)據(jù)做出更加深層次的抽象，優(yōu)化模型的訓(xùn)練過(guò)程，從而使模型表達(dá)的精確度更高。金融領(lǐng)域受到人工智能發(fā)展的影響，也開(kāi)始將目光悄悄地投向了深度學(xué)習(xí)，處理股票歷史交易數(shù)據(jù)，并取得了一定的研究成果。<

2、br>　　本文旨在深度學(xué)習(xí)的基礎(chǔ)上構(gòu)建一個(gè)量化金融數(shù)據(jù)分析系統(tǒng)，首先對(duì)國(guó)內(nèi)外量化交易的發(fā)展現(xiàn)狀進(jìn)行了總述和分析，給出了本系統(tǒng)的詳細(xì)需求分析，對(duì)系統(tǒng)算法策略模塊中的關(guān)鍵功能設(shè)計(jì)并實(shí)現(xiàn)了相應(yīng)的原型。在整個(gè)項(xiàng)目的研究過(guò)程中，為了避免系統(tǒng)出現(xiàn)出現(xiàn)不可預(yù)測(cè)的風(fēng)險(xiǎn)，前期選用了比較成熟的配對(duì)交易策略和機(jī)器學(xué)習(xí)方法構(gòu)建整個(gè)系統(tǒng)，同時(shí)也為更好的理解整個(gè)系統(tǒng)和深度學(xué)習(xí)方法做鋪墊。
　　本文的主要工作量體現(xiàn)在如下幾個(gè)部分：
　　1）在基于深度學(xué)習(xí)

3、的深度量化策略模塊中，首先運(yùn)用了人工神經(jīng)網(wǎng)絡(luò)對(duì)滬深300指數(shù)的漲跌做方向性預(yù)測(cè)，訓(xùn)練模型超參數(shù)；接著采用了基于限制玻爾茲曼機(jī)算法的深度學(xué)習(xí)策略，使用與神經(jīng)網(wǎng)絡(luò)相似的訓(xùn)練機(jī)制，得出方向預(yù)測(cè)的精確度，并將深度學(xué)習(xí)結(jié)果與神經(jīng)網(wǎng)絡(luò)結(jié)果進(jìn)行了對(duì)比。
　　2）在基于機(jī)器學(xué)習(xí)的量化策略模塊中，本系統(tǒng)提供了基于 Apriori關(guān)聯(lián)規(guī)則算法的板塊聯(lián)動(dòng)策略，并對(duì)原始的Apriori算法做了一定的改進(jìn)，促使它能夠更加適應(yīng)金融數(shù)據(jù)的海量性特征，并在現(xiàn)有的