计算机科学››2018第45卷››发行(6A): 75-78.

智能计算 • 上一篇   下一篇

基于数据库编号深度学习的期货市场价格预测建模与决策

陈俊华,郝彦惠,郑丁文,陈思宇  

  1. 中央财经大学管理科学与工程学院 北京100081
  • 出版日期:2018-06-20 发布日期:2018年8月03日
  • 作者简介:陈俊华(1977-),男,博士,副教授,硕士生导师,主要研究方向为复杂网络算法的金融学应用,电子邮件:junhuachen@cufe.edu.cn;郝彦惠(1993年-),男,硕士,主要研究方向为神经网络、数据挖掘;郑丁文(1992-),男,硕士,主要研究方向为卷积神经网络;陈思宇(1994-),女,硕士,主要研究方向为社交网络。
  • 收益:
    国家自然科学基金面上项目(71473283,71373295)资助

基于DBN的期货市场价格预测建模与决策

陈俊华、郝燕辉、郑定文、陈思玉  

  1. 中央财经大学管理科学与工程学院,北京100081
  • 在线:2018-06-20 出版:2018年8月03日

摘要:深度学习通过学习深层非线性网络结构即可实现复杂函数的逼近,可以从大量无标注样本集中学习数据集的本质特征。而深度信念网络(DBN)是由多层随机隐变量组成的贝叶斯概率生成模型,可以作为深度神经网络的预训练环节,为该网络提供初始权重。基于该模型的一个高效学习算法不仅解决了模型训练速度慢的问题,还能产生非常好的参数初始值,极大地提升了模型的建模能力。金融市场是一个多变量非线性系统,通过运用数据库编号模型进行分析预测可以很好地解决其他预测方法初始权重难以确定的问题。文中以原油期货市场价格预测为例,说明了运用数据库编号模型进行预测和决策的可行性及有效性。

关键词: 数据库编号算法, 期货市场, 深度学习

摘要:深度学习算法可以通过学习深度非线性网络结构来实现复杂函数的逼近,并且可以从大量未标记样本中学习数据集的本质特征。深度信念网络(DBN)是一种深度学习模型,是由多层随机隐变量组成的贝叶斯概率生成模型。DBN可以作为深度神经网络的预训练环节,为网络提供初始权值。这种学习算法不仅解决了训练速度慢的问题,而且产生了很好的初始参数,大大提高了模型的建模能力。金融市场是一个多变量、非线性系统。DBN模型可以解决其他预测方法难以分析和预测的初始权重等问题。本文以石油期货市场价格预测为例,证明了用DBN模型预测期货市场价格的可行性。

关键词: DBN算法, 深度学习, 期货市场

中图分类号: 

  • TP181型
[1]张屹山,方毅,黄琨.中国期货市场功能及国际影响的实证研究[J] ●●●●。管理,2006(4):28-34.
[2] RYDER S A,HE Q,SI J,等.利用神经网络和闭包预测变压器顶部油温的讨论[C]‖IEEE电力传输汇刊.2001:825-826。
[3]常松,何建敏.基于小波包和神经网络的股票价格预测模型[J] ●●●●。中国,2001,9(5):9-16.
[4] GEOFFREY E H,SIMON O,YEE-WHYE T。深度信念网的快速学习算法[J]。神经计算,2006,18(7):1527-1554。
[5] 陈浩,穆雷A F.带可实现训练算法的连续约束玻尔兹曼机器[J]。IEE进展——视觉、图像和信号处理,2003150(3):153-158。
[6] MURRAY A F.使用简单专家产品的新颖性检测——嵌入式系统的潜在架构[J]。神经网络,2001,14(9):1257-1264。
[7] CHEN H,MURRAY A.具有硬件可修改学习算法的连续受限Boltzmann机器[C]‖Dorronsoro J R,ed.人工神经网络(ICANN 2002)。施普林格,柏林-海德堡,2002年。
[8] ZOU M,SUZANNE D C.一种新的动态贝叶斯网络(DBN)方法,用于从时间进程微阵列数据中识别基因调控网络[J]。生物信息学,2005,21(1):71-79。
[9] 陈毅,等.短期负荷预测:基于相似日的小波神经网络[J]。IEEE电力系统汇刊,2010,25(1):322-330。
[10]郭彤颖,吴成东,曲道奎.小波变换理论应用进展[J] ●●●●。信息与控制,2004,33(1):67-71.
[11] WU J.基于多级中值滤波的小波域去噪方法[J]。中国邮电大学学报,2013,20(2):113-119。
[12]赵选民,李丰.石油期货价格影响因素实证分析[J] ●●●●。商场现代化,2007(1):61-62.
[13] 张国强,胡敏英.英镑/美元汇率的神经网络预测[J]。欧米茄,1998,26(4):495-506。
[1] 徐涌鑫, 赵俊峰, 王亚沙, 谢冰, 杨恺.
时序知识图谱表示学习
时间知识图表示学习
计算机科学, 2022, 49(9): 162-171.https://doi.org/10.11896/jsjkx.220500204
[2] 饶志双, 贾真, 张凡, 李天瑞.
基于键值关联记忆网络的知识图谱问答方法
用于知识图问题回答的键值关系存储网络
计算机科学, 2022, 49(9): 202-207.https://doi.org/10.11896/jsjkx.220300277
[3] 汤凌韬, 王迪, 张鲁飞, 刘盛云.
基于安全多方计算和差分隐私的联邦学习方案
基于安全多方计算和差异隐私的联合学习方案
计算机科学, 2022年,49(9):297-305。https://doi.org/10.11896/jsjkx.210800108
[4] 王剑, 彭雨琦, 赵宇斐, 杨健.
基于深度学习的社交网络舆情信息抽取方法综述
基于深度学习的社会网络舆情信息提取研究综述
计算机科学, 2022, 49(8): 279-293.https://doi.org/10.11896/jsjkx.220300099
[5] 郝志荣, 陈龙, 黄嘉成.
面向文本分类的类别区分式通用对抗攻击方法
文本分类中的类鉴别通用对抗攻击
计算机科学, 2022, 49(8): 323-329.https://doi.org/10.11896/jsjkx.220200077
[6] 姜、函、邵、浩、邵。
基于改进位置编码的谣言检测模型
基于改进位置嵌入的谣言检测模型
计算机科学, 2022, 49(8): 330-335.https://doi.org/10.11896/jsjkx.210600046
[7] 孙奇, 吉根林, 张杰.
基于非局部注意力生成对抗网络的视频异常事件检测方法
基于非局部注意的视频异常事件检测生成对抗网络
计算机科学, 2022, 49(8): 172-177.https://doi.org/10.11896/jsjkx.210600061
[8] 张源, 康乐, 宫朝辉, 张志鸿.
基于双-LSTM的期货市场关联交易行为检测方法
基于Bi-LSTM的期货市场关联交易行为检测
计算机科学, 2022, 49(7): 31-39.https://doi.org/10.11896/jsjkx.210400304
[9] 胡艳羽, 赵龙, 董祥军.
一种用于癌症分类的两阶段深度特征选择提取算法
用于癌症分类的两阶段深度特征选择提取算法
计算机科学, 2022, 49(7): 73-78.https://doi.org/10.11896/jsjkx.210500092
[10] 程成, 降爱莲.
基于多路径特征提取的实时语义分割方法
基于多路径特征提取的实时语义分割方法
计算机科学, 2022, 49(7): 120-126.https://doi.org/10.11896/jsjkx.210500157
[11] 侯钰涛, 阿布都克力木·阿布力孜, 哈里旦木·阿布都克里木.
中国
中国训练前模型研究进展
计算机科学, 2022, 49(7): 148-163.https://doi.org/10.11896/jsjkx.211200018
[12] 周慧, 施皓晨, 屠要峰, 黄圣君.
基于主动采样的深度鲁棒神经网络学习
基于主动采样的鲁棒深度神经网络学习
计算机科学, 2022, 49(7): 164-169.https://doi.org/10.11896/jsjkx.210600044
[13] 苏丹宁, 曹桂涛, 王燕楠, 王宏, 任赫.
小样本雷达辐射源识别的深度学习方法综述
基于小样本的雷达辐射源识别深度学习综述
计算机科学, 2022, 49(7): 226-235.https://doi.org/10.11896/jsjkx.210600138
[14] 祝文韬, 兰先超, 罗唤霖, 岳彬, 汪洋.
改进更快的R-CNN的光学遥感飞机目标检测
基于改进的快速R-CNN的遥感飞机目标检测
计算机科学, 2022年,49(6A):378-383。https://doi.org/10.11896/jsjkx.210300121
[15] 王建明, 陈响育, 杨自忠, 史晨阳, 张宇航, 钱正坤.
不同数据增强方法对模型识别精度的影响
不同数据增强方法对模型识别精度的影响
计算机科学, 2022年,49(6A):418-423。https://doi.org/10.11896/jsjkx.210700210
已查看
全文


摘要

引用

  共享   
  已讨论   
找不到建议阅读的文章!