深度稀疏修正神经网络在股票预测中的应用

传统的股票预测基于统计学的方法,虽然在股票的趋势预测中有效,但是价格预测的准确度不够令人满意。因此,文中利用神经网络研究股票价格的预测问题。 神经网络具有很强的非线性拟合能力,适用于股票等非线性系统建模。文中采集了股票交易的历史数据作为数据集,对数据使用了归一化和主成分分析方法进行预处理,降低了数据维度,有利于简化模型和降低计算复杂度。 针对模型的构建,设计了一种深度稀疏修正神经网络模型(deep sparse rectifier neural networks,DSRNN)。 DSRNN 具有多层网络结构,基于带动量项的 BP 学习算法训练参数,利用了激活函数 ReLU(rectified linear units)和提出的权值初始化方法。 并将其与其他三种基于传统方法建立的模型进行了比较,结果表明 DSRNN 在健壮性、精确度方面都有更好的表现