文摘

在经济全球化和数字化的背景下,当前金融领域前所未有的复杂局面。方法和手段来处理这种复杂性图像情报化的发展方向。本文以财务预测的起点,选择人工神经网络智能算法和优化算法,通过改进的多层神经网络预测,比较它与传统的神经网络。通过比较,发现改进遗传多层神经网络的预测成功率随输入图像数据的维数的增加。这表明,通过添加更多的技术指标作为输入的网络相结合,改进遗传多层神经网络的预测效率可以进一步提高,计算速度可维护的优点。

1。介绍

深入学习是机器学习的一部分,和机器学习是人工智能的一个组成部分。换句话说,在机器学习有许多模式或模型,深入学习是唯一的一个分支。它关注人工神经网络,它的形成源于信号大脑神经元之间的相互作用的物理现象。在当今快速发展的信息时代,数字图像,作为一种常见的和有效的信息载体,已经渗透到社会生活的每一个角落,使我们增加对图像处理的需求。与此同时,在大数据时代,数字图像生成的速度和规模也很惊人。因此,图像信息处理任务效率高的特点,需要高性能、和智慧。是图像处理的关键特性表达式。传统的功能设计需要手动完成,但这种方法很复杂,有很高的要求,设计师的技术,所以自动功能设计对高效的图像处理已经成为一个紧迫的需求。深入学习是机器学习的一个新的研究领域,旨在研究如何自动提取数据从多层次特征表示。它的核心思想是从原始数据中提取多层次和multiangle功能通过使用一系列的非线性转换数据驱动的方式,这样获得的特性有更强的泛化能力和表达能力。 This just meets the needs of efficient image processing.

金融市场的不断发展和深化,衍生品,经济形式,和系统的知识,商业模式,和算法在金融领域的图像技术分析已成为越来越多的专业和复杂,和相应的大规模数据处理和分析的需求也出现了。与此同时,人们也开始使用更多的信息技术协助财务数据分析。机器学习在信息数据分析技术,是最受欢迎的一个1]。机器学习是人工智能的一个主题领域的基于概率理论。在机器学习理论中,有许多预测图像的数学模型和方法,其中深学习理论吸引了太多的关注在最近两三年。近年来,人工智能技术发展迅速。在软件和硬件方面,世界各地的许多技术制造商和学术界已经取得了很大的进步在人工智能领域(2]。与此同时,有许多成功的深度学习应用的例子,如智能同声传译系统、人脸识别和语义的理解。然而,在金融领域,很少有深入研究的例子。深度学习属于机器学习,也是一个重要的象征人工智能科学的发展一定阶段(3]。此外,深度学习的非线性特点迎合了大量的随机和不确定因素在金融市场4]。因此,基于改进的遗传多层神经网络的背景下深入学习经济理论和数字图像,探讨智能模型的适用性在金融领域的预测,具有较强的现实意义。在第二章,我们首先回顾智能算法在金融领域的相关文献,然后在第三章,我们构造一个改进的多层神经网络遗传算法基于传统的神经网络。在第四章中,改进遗传多层神经网络应用于实际的智能预测并与传统的神经网络算法。第五章总结了全文。

近年来,人工神经网络有很大的发展,它具有很强的非线性逼近能力,它有一个广泛的应用于智能控制,分类和回归,图像识别,深入学习,和其他领域。特别是,当结合遗传算法,蚁群算法,和其他优化算法、人工神经网络显示了无限的潜力,展示了新的前景自然科学和社会科学的研究。他曾经等人建立了一个神经网络模型来预测每日IBM股票的回报率,他建立了一个基于短期和长期的交易策略。然而,由于梯度爆炸问题,训练模型的预测结果不准确,和战略效果不是很明显5]。Hopken等人相比,对时间序列的预测神经网络模型与ARIMA模型之间通过实验,结果表明,神经网络有较高的精度,但本文没有讨论改进的神经网络模型6]。Avci等人相比,法国法玛三因子模型与神经网络模型和相关的研究表明,神经网络模型的预测效果优于三因子模型(7]。Murat等人开发的东证指数(TOPIX)预测系统预测东京证交所的加权平均指数。实验结果表明,预测效果理想(8]。Peroni等人使用神经网络模型预测TCK股票市场数据,选择各种类型的参数,比如模式,波动性,权力,和趋势模型,比较和分析了历史数据,最后证明了神经网络更好的预测和可用于构建投资组合(9]。瞿et al .的股票市场对神经网络的研究涉及到更多的股票价格预测的和更少的股票指数预测的趋势(10]。神经网络模型的选择是更倾向于古典模型,LSTM模型的研究方兴未艾,更新和Koppe等人研究了神经网络模型(11]。侯等人研究了改进的反馈神经网络。他们建议可能会有大量的极限环或周期运动解决方案的多层神经网络非线性动态系统。在他们的研究中,不仅是伪吸引力问题消除,但也经常被浪费的周期解,并得到良好的结果(12]。Mikalef等人使用反馈神经网络模型的动态特性的多输入和输出系统。结果有很高的稳定性和精度高,也可以过滤外部干扰信号(13]。罗斯等人专门研究反馈神经网络的动态特性,尤其是其稳定极限环,混乱,和测试网络的优化效果,好的结果(14]。Stergiou等人研究了反馈神经网络的逼近能力,发现它具有很强的逼近非线性动态系统的能力,大大丰富了近似理论的神经网络(15]。在股票预测方面,默罕默德等人利用人工神经网络来预测股票市场。从那时起,许多学者已经使用各种神经网络模型来模拟股票市场波动的影响。静态神经网络和动态神经网络取得了好的结果16]。Kulisz等人使用模糊神经网络的时间序列预测股票市场和遗传算法优化投资策略。他们的研究表明,股票市场的趋势是高度可预测的人工神经网络模型结合其他人工智能优化方法可以提供股票市场预测的准确性(17]。吴等人使用多层前馈BP神经网络来预测股票价格和股票价格预测模型建立基于改进Elman神经网络在他们的研究。以180天的实际单个股票的收盘价在深圳股票市场为预测对象,预测精度、收敛速度和稳定性的实验结果是令人满意的18]。通过不同模型的建设和大量的应用研究中,Ryotaro Haruhiko已经证明神经网络和其他股票指数预测方法基于nonstatistical原则可以更好地支持股票市场预测研究(19]。但是它也有一些缺点。例如,有许多类型的神经网络模型,每一种都有其独特的优点和缺点。它有不同程度的适应性预测研究的股票市场。它仍然需要大量的练习来选择网络是最适合这种应用程序(20.]。

此外,隐藏层的数量和图像数据传输的神经网络权重只能选择根据研究者的经验。将神经网络与其他人工智能技术相结合,或改善和发展现有的神经网络,使其形象更加有效和准确的投资预测,也是一个巨大的挑战的进一步研究和应用人工神经网络预测模型。PSO LSTM模型建立,这是一种改进的基于LSTM和优化模型。它善于处理复杂的非线性问题与长期依赖。使用自适应学习策略的粒子群优化算法匹配股票数据和网络拓扑的特点,提高了股票价格预测的准确性和可解释性模型结构参数。总之,许多学者设计了许多预测算法具有良好的预测效果,参考价值领域的股票价格预测,但也存在一些问题:第一个问题是,学者们关注模型的改进本身,但没有有效的特征选择技术开发的;第二个问题是,深度学习的结合和集成学习模式不用于金融价格的预测。

3所示。形象建设多层神经网络基于改进的遗传算法

3.1。神经元实现感知器

首先,我们需要引入感知器。为了实现人工神经网络,有必要实现神经网络中的神经元基本单位。感知器可以被看作是人工神经网络的神经元。神经元所需要的计算能力。弗兰克Rosenblatt定义了在1958年首次与单层感知器计算单位。根据这个定义,学习信号的感知器等于预期的图像输出的区别(教师信号)和实际的输出神经元,见以下方程: 在哪里 是预期的输出, 是实际的输出和符号函数转换函数。表达式如下: 在哪里 输入向量和吗 权向量在吗 。根据上面的方程,体重调整方程推导如下: 在哪里 是学习常数。当实际输出预期的输出是一样的,重量不需要调整。在错误的情况下,由于 和 ,体重调整可以简化的方程如下:

显然,简单的单层感知器神经网络的学习规则是一个线性函数,和它的重量成正比的输入。这种比例关系最终决定了功能网络的输入和输出之间的关系。最后确定需要不断调整权重和阈值函数,这是一个“培训”的过程。神经网络的训练过程也是一个学习的过程。在神经网络学习的过程中,各级神经元的权值和阈值将按照一定的方法和规则调整。这些方法和规则涉及图像学习规则和神经网络的训练算法。作为人工神经网络的神经元,感知器的学习过程也遵循监督学习的方法。感知器的学习规则可以总结为以下简单的方程: 在哪里 代表值和预期的输出 代表实际的输出值。 之间的区别是期望输出和实际输出,代表学习信号。当 不为零,这意味着神经网络需要进一步学习期望输出与实际输出。的积极的和消极的结果 调整网络权重阈值确定的方向。当预期的输出大于实际的输出,阀门和渠道网络中应减少或收紧。当预期的输出小于实际的输出,阀门和渠道网络中应该增加或释放。

在神经网络中,转换从输入到输出称为传递函数。传感器的传递函数通常是一个阈值函数,使网络的输出只有0或1。在有限数量的迭代之后,网络训练的终极目标是使学习信号 传感器需要获得一批样本数据输入训练和学习。每个样本数据由一对输入向量和输出向量。训练样本集组成的 训练样本如下:

学习和训练的过程中,调整算法的重量阀系数每一层的神经元可以通过下列方程表示: 在哪里 是误差向量, ; 权向量; 是阈值向量; 是输入向量; 学习过程的步骤吗 。感知器神经网络是最简单的,相应的生物神经网络的神经元,这是研究的基础和其他构造神经网络。同样,感知器的学习规则的基础成为其他更复杂的神经网络的学习规则。

3.2。改进的多层神经网络的设计

本文改进了传统遗传多层神经网络的基础。从其形象网络模型,它是一个递归神经网络。反馈连接从输出到输入如图1。尽管神经元的数量和网络层的可能并不大,由于图像结构特征的周期,事实上,这是一个多层神经网络。运行时,网络深度应由中间的输入数据的周期数层网络。


图1
一种改进的多层神经网络模型。

输入激励下,神经网络中的神经元单位会产生连续的状态改变。多层神经网络,关键是确定其在稳定条件下图像的权重系数。所谓的稳定条件指的是某种能量函数引入多层神经网络。在满足特定的条件下,能量将继续减少在网络的操作并最终趋向于一个稳定的平衡态。事实上,需要满足的条件是不断调整网络重量。当能量函数的值变得越来越小,神经网络的趋势继续循环操作将削弱,从而达到收敛的效果。多层神经网络中的能量指的是图像标量值与当前网络状态有关,由下列方程表示: 在哪里 是网络节点之间的连接权重 和节点 ; 和 节点的状态吗 和节点 ,分别; 是节点的阈值 。单元节点的状态更新是由以下方程:

这个方程显示两个单元节点之间的权重的影响神经元的状态值。当重量 两个点之间大于0,当 是1,神经元的影响 总重量是正数,驱动器的价值 为1。当 是1,的影响 总重量是负的,驱动的价值 为1。因此,当神经元之间的权重 和 是积极的,他们的价值观会收敛,当神经元之间的权重 和 是消极的,他们的价值观就会分道扬镳。“能源”方程在多层神经网络确保能源价值减少或保持不变,当神经元单位随机选择和更新。连续状态更新后,网络将最终收敛到局部最小值的状态的能量函数(这被认为是李雅普诺夫函数)。因此,当能量函数的状态是一个局部最小值,网络会达到一个稳定状态。

4所示。实证分析预测

4.1。数据样本的介绍

这个实验将使用稀土北部的数据(600111)股票在最近五年(从2013年9月至2018年8月)来验证研究。从下图可以看出,股票表现出某些波动的趋势在过去五年里,有两个明显的上升趋势。库存周期的形式更丰富,更有利于做研究。在五年的数据,数据的前三年(2013年9月至2016年8月)将用于构建模型及其参数。未来两年的数据(2016年9月至2018年8月)将被用来验证模型的效率。

4.2。基于技术指标的改进的多层神经网络预测

这个实验将使用遗传多层神经网络预测。训练数据是历史收盘价格从9月2日,2013年8月31日,2016年,基因多层神经网络训练。经过全面的训练,最终网络结构及其参数确定。隐藏层的数量的隐藏层(中间层)shennet。隐藏层的数量直接决定了神经网络的学习深度。理论上,隐藏层,网络算法的准确性越高,学习效果就越好。

学习时间是指在统一输入神经网络的学习时间。对于每个学习,神经网络将调整重量阈值输出实际结果。理论上,《纽约时报》的学习,更好的网络是训练有素的,网络可以提高计算的准确性。这个实验将列车网络的不同组合的隐藏层和学习次数。学习结果的均方误差评估网络的训练,并最终找到合适的组合来构建验证网络。学习的次数是固定的1000岁和20个隐藏层相结合进行测试。实验结果如图所示2。


图2
网络错误,当学习的次数是1000。

学习的次数是固定的500岁和20个隐藏层相结合进行测试。实验结果如图所示3。


图3
网络错误,当学习的次数是500。

学习的次数是固定到100年,和20隐藏层结合测试。实验结果如图所示4。


图4
网络错误,当学习的次数是100。

上述三组图像实验表明,与隐藏层的数量的增加,网络计算误差减小,精度提高。与1000年图像场景学习时期,隐藏层的数量达到80时,可以减少错误率小于一千。500年和100年学习图像场景,隐藏层的数量达到100时,出错率不小于1000。

为了达到同样的错误标准,更多的实验表明,与500年图像场景学习时期,隐藏层的数量达到120时,网络可以减少误比特率小于1000。与100年图像场景学习时期,隐藏层的数量达到150时,网络可以减少出错率小于1000。虽然可以找到隐藏层的数量为每个学习的时间,这使得网络计算误差小于1000,达到同样的效果,计算了每个学习时间和隐层组合显然是不同的。

因此,合成后网络计算误差的性能比较和计算时间,这个实验将使用上面的第三组网络参数表构建验证网络。

实验结果图5的仿真结果表明,网络是高度符合历史真实的数据从9月2日,2013年,2016年8月31日。


图5
模拟的数据从2013年9月20日,2016年8月31日。

实验结果图6显示网络获得的培训无法判断未来数据趋势。这个实验是基于股票的历史价格信息来判断未来价格趋势。虽然网络的仿真效率非常高,预测结果是完全失控。不过,我们可以深入了解以下深度学习的特点和神经网络的结果:很难得到所需的预测结果使用单一、孤立的,未加工的示例数据。虽然网络模拟的数据结果很成功,没有有效的输入数据,输出数据的映射关系网络培训。这个实验实际上是一个模拟基于时间序列,但是如果没有找到本系列的周期性,经过训练的网络,其功能将毫无意义。


图6
从9月1日的预测数据,2016年,2018年8月31日。
4.3。预测基于技术指标的改进的多层神经网络

因为多层神经网络是一个自我循环神经网络形象,和数量的周期是由能量函数的特性和输入数据,没有必要设置类似的参数的过程中构建多层神经网络,如学习的次数和数量的图像隐藏层。MACD指标作为网络的输入数据训练。MACD指标和KDJ指标的组合作为网络训练的输入数据。EDMA函数所需的计算。细节(12)(15)如下:

从数据可以看出7和8当层数是5,仿真大大地扭曲,当层数是7,它是相对接近于真实数据,操作的判断方向在许多情况下是一致的。因此,在上述实验之后,层数设置为5。样本的自相关系数和偏自相关系数计算。图9显示所有历史的自相关系数和偏自相关系数图。


图7
基于多层神经网络预测影响当层数7。

图8
基于多层神经网络预测的效果,当层数是5。

图9
自相关系数的收盘价北方稀土从2013年9月到2016年8月。

结合固定条件的描述,从图可以看出10自相关系数图和时间序列的偏自相关系数图从一开始就有明显的拖尾现象。偏自相关系数的方法迅速为0,和自相关系数迅速趋近于0。模型验证部分,历史收盘价格从9月1日,2016年8月31日,2018年,将作为输入数据,预测由改进的多层神经网络模型生成的数据进行比较。从上面的测试模式和错误率,可以看出,7层是最成功的预测,但预测成功率达到77.83%。把一个月的数据从8月1日至31日,2018年,当层数是7为例。从表1,我们可以看到操作方向的判断是一致的在许多情况下,和预测效率非常高。机会带来的数字经济的新一轮改革,如图11。


图10
北方稀土的收盘价格从2013年9月至2016年8月不等。
表1
数据预估一个月从8月1日至31日,2018年,当层数是7。

图11
城市的变化带来的机遇和数字经济的变换。

5。结论

深学习是机器学习的一种,但它与传统的机器学习方法不同。它使用深(多层)图像神经网络结构,包括网络层次结构和神经元之间的连接规则,连接每个图像的算法神经元网络中形成一个知识体系,可以理解,表达,甚至预测客观世界。这个知识体系由法律或方程来表达是困难的。它类似于人类大脑的结构和学习模式。这只学习和理解世界的方式避免了一般思维造成的许多理论假设,但涵盖了所有的既成事实。预测未来时,训练神经网络选择的路径会根据图像计算规则(重量阈值算法等)形成的网络,最后输出答案。与传统的多层神经网络相比,多层神经网络的计算速度非常快。相同数量的输入数据,传统的多层神经网络只需要几分钟,遗传多层神经网络只需要一秒。然而,多层神经网络的快速收敛能力也限制了时间来完成自己的网络算法,导致大量输出结果和实际结果之间的误差。最高的三个实验的预测能力仅为60.87%。 In multiple tests of the same scene, the multilayer neural network shows the consistency of the results, and there will be no different prediction results. Although the results of all multilayer neural network prediction experiments are worse than the image results of BP network prediction experiments, the multilayer neural network also reflects the trend that the prediction success rate increases with the increase of the dimension of input data. This shows that, by adding more technical indicators as the image input of the combined neural network, the prediction efficiency of the multilayer neural network can be further improved and the advantage of computing speed can be maintained.

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

本文的工作是由中国工业大学科研创新项目支持的科技中心,教育部、中国(批准号2018 a06009),陕西省科学技术厅软科学项目,中国(批准号2020 krm053),西安社科规划项目、中国(批准号JX52)。