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

1、隨著全球經(jīng)濟與人工智能的發(fā)展，機器學(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，簡單說，它就是包含多個隱藏層的深度神經(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)練過程，從而使模型表達的精確度更高。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)建一個量化金融數(shù)據(jù)分析系統(tǒng)，首先對國內(nèi)外量化交易的發(fā)展現(xiàn)狀進行了總述和分析，給出了本系統(tǒng)的詳細需求分析，對系統(tǒng)算法策略模塊中的關(guān)鍵功能設(shè)計并實現(xiàn)了相應(yīng)的原型。在整個項目的研究過程中，為了避免系統(tǒng)出現(xiàn)出現(xiàn)不可預(yù)測的風險，前期選用了比較成熟的配對交易策略和機器學(xué)習(xí)方法構(gòu)建整個系統(tǒng)，同時也為更好的理解整個系統(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，首先運用了人工神經(jīng)網(wǎng)絡(luò)對滬深300指數(shù)的漲跌做方向性預(yù)測，訓(xùn)練模型超參數(shù)；接著采用了基于限制玻爾茲曼機算法的深度學(xué)習(xí)策略，使用與神經(jīng)網(wǎng)絡(luò)相似的訓(xùn)練機制，得出方向預(yù)測的精確度，并將深度學(xué)習(xí)結(jié)果與神經(jīng)網(wǎng)絡(luò)結(jié)果進行了對比。
　　2）在基于機器學(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)動策略，并對原始的Apriori算法做了一定的改進，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