周生強(qiáng)

摘要：本文以1990年至2017年的上證指數(shù)作為分析對(duì)象，利用深度學(xué)習(xí)中的LSTM模型，以keras平臺(tái)作為工具，以Python3.5作為開(kāi)發(fā)環(huán)境，建立六層神經(jīng)網(wǎng)絡(luò)，對(duì)上證指數(shù)進(jìn)行預(yù)測(cè)，得出了一般情況下增加次迭次數(shù)能夠提高網(wǎng)絡(luò)預(yù)測(cè)效果的結(jié)論。

關(guān)鍵詞：上證指數(shù)；LSTM

中圖分類號(hào)： F830.91 文獻(xiàn)識(shí)別碼：A 文章編號(hào)：1001-828X（2017）013-0-01

1943年，心理學(xué)家W·Mcculloch和數(shù)理邏輯學(xué)家W·Pitts在分析、總結(jié)神經(jīng)元基本特性的基礎(chǔ)上首先提出神經(jīng)元的數(shù)學(xué)模型。此模型沿用至今，并且直接影響著這一領(lǐng)域研究的進(jìn)展。因而，他們兩人可稱為人工神經(jīng)網(wǎng)絡(luò)研究的先驅(qū)。50年代末，F(xiàn)·Rosenblatt設(shè)計(jì)制作了“感知機(jī)”，它是一種多層的神經(jīng)網(wǎng)絡(luò)。這項(xiàng)工作首次把人工神經(jīng)網(wǎng)絡(luò)的研究從理論探討付諸工程實(shí)踐。當(dāng)時(shí)，世界上許多實(shí)驗(yàn)室仿效制作感知機(jī)，分別應(yīng)用于文字識(shí)別、聲音識(shí)別、聲納信號(hào)識(shí)別以及學(xué)習(xí)記憶問(wèn)題的研究。M.Minsky等仔細(xì)分析了以感知器為代表的神經(jīng)網(wǎng)絡(luò)系統(tǒng)的功能及局限后，于1969年出版了《Perceptron》一書(shū)，指出感知器不能解決高階謂詞問(wèn)題。他們的論點(diǎn)極大地影響了神經(jīng)網(wǎng)絡(luò)的研究。人工神經(jīng)網(wǎng)絡(luò)研究陷入低潮。后來(lái)人工神經(jīng)網(wǎng)絡(luò)幾經(jīng)沉浮hiton等，2006年2012年，多倫多大學(xué)的 Geoff Hiton利用深度學(xué)習(xí)的新技術(shù)，帶領(lǐng)團(tuán)隊(duì)實(shí)現(xiàn)了85%的圖像識(shí)別準(zhǔn)確率。開(kāi)創(chuàng)了機(jī)器學(xué)習(xí)的新紀(jì)元。從此深度學(xué)習(xí)開(kāi)始從學(xué)術(shù)界走向了工業(yè)界，掀起了改變世界的序幕。

LSTM（Long Short-Term Memory，LSTM）是一種時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)，LSTM的結(jié)構(gòu) 由Jürgen Schmidhuber在1997年首次提出。借助遺忘門(mén)、記憶們的精妙設(shè)計(jì)結(jié)構(gòu)，LSTM適合于處理和預(yù)測(cè)時(shí)間序列中間隔和延遲非常長(zhǎng)的重要事件。

本文的研究數(shù)據(jù)為上證1990年12月29日到2017年5月2日的日線數(shù)據(jù)。共4172根。采用了keras平臺(tái)，后端采用Tensorflow引擎。Tensorflow是一個(gè)符號(hào)主義的張量操作框架，由谷歌公司開(kāi)發(fā)研制。對(duì)金融時(shí)序數(shù)據(jù)分析采用的至強(qiáng)處理器，16G內(nèi)存。同時(shí)為了加速處理金融數(shù)據(jù)的能力，利用NVIDA顯卡的GPU提升算法性能，整個(gè)算法的軟件環(huán)境是在Python3.5上搭建的利用GPU的Tensorflow環(huán)境，以前90%的數(shù)據(jù)為訓(xùn)練數(shù)據(jù)，以后10%的數(shù)據(jù)為預(yù)測(cè)數(shù)據(jù)。

首先將上證指數(shù)進(jìn)行歸一化處理，使用的函數(shù)是g（x）=（f（x）/f（0）-1）.處理后的數(shù)據(jù)進(jìn)行輸入keras進(jìn)行計(jì)算。本次實(shí)驗(yàn)采用的keras網(wǎng)絡(luò)架構(gòu)如下：

包括兩個(gè)Lstm層和四個(gè)隱層，每50個(gè)為一個(gè)輸入序列，輸入的數(shù)據(jù)結(jié)構(gòu)為（4122，50，1），第二層節(jié)點(diǎn)為150個(gè)神經(jīng)元，每個(gè)隱層的神經(jīng)元為50個(gè)，在不同的迭代次數(shù)下，得到如圖所示結(jié)果：（藍(lán)色為預(yù)測(cè)曲線）

迭代200次的結(jié)果如上圖所示，仍然在100個(gè)數(shù)據(jù)點(diǎn)后喪失了預(yù)測(cè)能力。

迭代500次后的結(jié)果如圖所示，效果較前兩次好轉(zhuǎn)很多，具有一定的預(yù)測(cè)能力。根據(jù)上述實(shí)驗(yàn)，建立了一個(gè)粗略預(yù)測(cè)上證指數(shù)的Lstm模型，具有一定的預(yù)測(cè)能力，在多次迭代后能夠大概預(yù)測(cè)股指走向。

參考文獻(xiàn)：

[1]曾志平，蕭海東，張新鵬.基于DBN的金融時(shí)序數(shù)據(jù)建模與決策[J].計(jì)算機(jī)技術(shù)與發(fā)展，2017，4：1-5.

[2]陳曲.淺析在線逆向拍賣[J].現(xiàn)代工業(yè)經(jīng)濟(jì)和信息化，2015（21）.

[3]孫小軍，張銀利.股票-債券投資組合問(wèn)題的數(shù)學(xué)模型及算法[J].系統(tǒng)工程理論與實(shí)踐，2015，35（6）：1433-1439.