01背景
股票价格的预测是学界和业界一直以来尝试去研究解决的问题,由于股票的价格受到的影响因素众多,涵盖了上市公司基本面,产品价格的波动,国内的宏观经济数据,国际市场的各种金融资产和价格的波动等等,并且各个变量与股票价格的走势并非线性,因此传统的计量经济学模型并不能很好地解决股票价格的预测问题。
近些年来随着人工智能与机器学习的出现,为股票价格的预测提供了一种新的思路,本文基于深度学习的思想,尝试对上市公司的价格做出预测。
02深度学习理论与模型
深度学习是机器学习的一个新的方向,其理论基础是神经网络。一个神经网络包含输入层、隐含层和输出层。将数据导入输入层,经过一系列数据传导、计算及误差修正,可以得到样本数据的内在规律和表示层次。理论上,一个足够复杂的神经网络可以逼近任何函数。
2.1 感知机
一个感知机是具有单层计算单元的神经网络,由线性元件及阈值元件组成。在单层感知机的输入层和输出层之间加入隐藏层,就构成了多层感知机,每层的计算都由一个线性函数加一个非线性激活函数构成。当一个神经网络包含一个深层的隐藏层“时,它称为深度神经网络(DNN)
2.2 RNN/LSTM
循环神经网络通过使用带自反馈(隐藏层)的神经元,能够处理任意长度的序列。循环神经网络比前馈神经网络更加符合生物神经网络的结构。RNN非常适合用于处理时间序列,且在语音识别、图像处理、语言模型