曾志平,萧海东,张新鹏
(1.上海大学 通信与信息工程学院,上海 200072;2.中国科学院 上海高等研究院 智慧城市研究中心,上海 201210)
基于DBN的金融时序数据建模与决策
曾志平1,2,萧海东2,张新鹏1
(1.上海大学 通信与信息工程学院,上海 200072;2.中国科学院 上海高等研究院 智慧城市研究中心,上海 201210)
在金融时序数据的分析中经常会遇到一些复杂的非线性系统,利用数学方法很难对这些复杂的系统状态方程准确建模。针对目前金融时序的数据分析复杂性和不确定性等问题,将对复杂非线性系统的模拟转化为对金融时序数据曲线的模式识别,确定了金融时序数据上升、下降以及无规则的各种模式。利用深度学习对非结构化数据处理的优势,提出了一种改进的基于深度信念网络(DBN)决策算法的金融时序数据建模与分析方法。将时序数据转化为非结构化数据,以这些非结构化数据作为深度学习网络的输入层训练DBN金融时序数据模型,应用训练好的模型于金融时序数据样本的预测选取和交易。实验结果表明,利用DBN模型选择的金融数据样本在金融时序数据量化的决策分析中的准确率可达到90.544 2%。
深度信念网络;受限玻尔兹曼机;深度学习;金融时序数据;预测与决策
目前对于金融时序数据分析的方法主要有两类:基本面分析和技术面分析[1]。基本面分析是研究影响证券市场供给和需求的各种因素;技术面分析是研究市场过去和现在的行为对金融市场未来走势的影响。……