目錄
前言
課題背景和意義
實(shí)現(xiàn)技術(shù)思路
一、傳統(tǒng)股票預(yù)測(cè)模型
?二、新型股票預(yù)測(cè)方法
實(shí)現(xiàn)效果圖樣例?
最后
前言
? ? ??大四是整個(gè)大學(xué)期間最忙碌的時(shí)光,一邊要忙著備考或?qū)嵙?xí)為畢業(yè)后面臨的就業(yè)升學(xué)做準(zhǔn)備,一邊要為畢業(yè)設(shè)計(jì)耗費(fèi)大量精力。近幾年各個(gè)學(xué)校要求的畢設(shè)項(xiàng)目越來越難,有不少課題是研究生級(jí)別難度的,對(duì)本科同學(xué)來說是充滿挑戰(zhàn)。為幫助大家順利通過和節(jié)省時(shí)間與精力投入到更重要的就業(yè)和考試中去,學(xué)長分享優(yōu)質(zhì)的選題經(jīng)驗(yàn)和畢設(shè)項(xiàng)目與技術(shù)思路。
??對(duì)畢設(shè)有任何疑問都可以問學(xué)長哦!
選題指導(dǎo):?https://blog.csdn.net/qq_37340229/article/details/128243277
大家好,這里是海浪學(xué)長畢設(shè)專題,本次分享的課題是
??基于機(jī)器學(xué)習(xí)的股票預(yù)測(cè)
課題背景和意義
實(shí)現(xiàn)技術(shù)思路
一、傳統(tǒng)股票預(yù)測(cè)模型
傳統(tǒng)的股票預(yù)測(cè)模型主要是基于統(tǒng)計(jì)學(xué)與概率論來進(jìn)行預(yù)測(cè)研究。例如有傳統(tǒng)時(shí)間序列模型、隱馬爾可夫模型等股票預(yù)測(cè)研究的傳統(tǒng)方法模型
?隱馬爾可夫模型（ＨｉｄｄｅｎＭａｒｋｏｖＭｏｄｅｌ，ＨＭＭ）是離散馬爾可夫模型的衍生模型，Ｈａｍｉｌｔｏｎ首次將 ＨＭＭ 作為機(jī)制轉(zhuǎn)移模型用于經(jīng)濟(jì)領(lǐng)域經(jīng)濟(jì)周期的預(yù)測(cè)，在此之后ＨＭＭ 從最初的信息技術(shù)領(lǐng)域不斷發(fā)展到經(jīng)濟(jì)金融領(lǐng)域，模型在不斷的改進(jìn)完善。
在隱馬爾可夫模型（HMM）中，我們不知道模型具體的狀態(tài)序列，只知道狀態(tài)轉(zhuǎn)移的概率，即模型的狀態(tài)轉(zhuǎn)換過程是不可觀察的。因此，該模型是一個(gè)雙重隨機(jī)過程，包括模型的狀態(tài)轉(zhuǎn)換和特定狀態(tài)下可觀察事件的隨機(jī)。HMM圖解：
?二、新型股票預(yù)測(cè)方法
基于ＳＶＭ 的預(yù)測(cè)模型
基于決策樹的預(yù)測(cè)模型
決策樹是一種成熟的數(shù)據(jù)挖掘技術(shù)，基于決策樹衍生出許多算法來適合線性和非線性的數(shù)據(jù)集進(jìn)行趨勢(shì)預(yù)測(cè)，ＸＧＢｏｏｓｔ是一種基于梯度提升決策樹的改進(jìn)算法，能夠有效地構(gòu)建增強(qiáng)樹并且并行運(yùn)行，包括回歸樹和分類樹。
?通過網(wǎng)格搜索算法對(duì) ＸＧＢｏｏｓｔ模型進(jìn)行參數(shù)優(yōu)化構(gòu)建了 ＧＳ－ＸＧＢｏｏｓｔ股票預(yù)測(cè)模型，該模型相較于 ＸＧＢｏｏｓｔ原模型、ＧＢＤＴ模型以及ＳＶＭ 模型在 ＭＳＥ、ＲＭＳＥ與 ＭＡＥ三個(gè)評(píng)價(jià)指標(biāo)上都表現(xiàn)出了較好的預(yù)測(cè)結(jié)果。
基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型
1）遺傳神經(jīng)網(wǎng)絡(luò)
遺傳算法是一種基于自然選擇和自然遺傳的自適應(yīng)優(yōu)化搜索算法。但是，它收斂速度慢，學(xué)習(xí)效率低，很容易達(dá)到局部最小值，利用ＰＣＡ算法對(duì)ＢＰ神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，建立了ＧＡＢＰ股票預(yù)測(cè)模型，該優(yōu)化模型提高了股票價(jià)格的預(yù)測(cè)精度
?2）卷積神經(jīng)網(wǎng)絡(luò)
卷積神經(jīng)網(wǎng)絡(luò)（ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋ，ＣＮＮ）一般包含卷積層和池化層，其顯著的特點(diǎn)就是能夠感知局部視野、權(quán)重共享以及弱化特征具體位置，可以使參數(shù)訓(xùn)練規(guī)模大大縮小。
3）長短期記憶神經(jīng)網(wǎng)絡(luò) ＬＳＴＭ
長短期記憶神經(jīng)網(wǎng)絡(luò)（ｌｏｎｇｓｈｏｒｔ－ｔｅｒｍ ｍｅｍｏｒｙｎｅｔｗｏｒｋｓ，ＬＳＴＭ）是一種時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)，適合處理和預(yù)測(cè)時(shí)間序列中間隔和延遲相對(duì)較長的重要事件，這一技術(shù)特征與股票預(yù)測(cè)問題有著很高的契合度，將普通循環(huán)網(wǎng)絡(luò)中的隱藏節(jié)點(diǎn)設(shè)計(jì)為自循環(huán)形式，記憶單元維持一個(gè)誤差流，進(jìn)而可以記憶長時(shí)期的有效信息，避免梯度爆炸和梯度消失。
?4）徑向基神經(jīng)網(wǎng)絡(luò) ＲＢＦ
?建立神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)股票漲跌趨勢(shì)，一般是先確定數(shù)據(jù)基本特征，選擇合適的模型，然后是獲取訓(xùn)練模型最優(yōu)參數(shù)，最后對(duì)測(cè)試數(shù)據(jù)進(jìn)行預(yù)測(cè)，一般可以總結(jié)為：
實(shí)現(xiàn)效果圖樣例?
人工智能股票預(yù)測(cè)系統(tǒng)：
我是海浪學(xué)長,創(chuàng)作不易,歡迎點(diǎn)贊、關(guān)注、收藏、留言。文章來源：http://www.zghlxwxcb.cn/news/detail-401617.html
畢設(shè)幫助，疑難解答，歡迎打擾！文章來源地址http://www.zghlxwxcb.cn/news/detail-401617.html
最后
到了這里，關(guān)于畢業(yè)設(shè)計(jì)-基于機(jī)器學(xué)習(xí)的股票預(yù)測(cè)的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
