基于卷积神经网络的股票交易反转点与异常点检测

《基于卷积神经网络的股票交易反转点与异常点检测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号学号M201476143学校代码10487密级硕士学位论文基于卷积神经网络的股票交易反转点与异常点检测学位申请人：蔺晓学科专业：软件工程指导教师：沈刚教授答辩日期：2016.12.26IAThesisSubmittedinPartialFulfillmentoftheRequirementsfortheDegreefortheMasterofEngineeringConvolutionalNeuralNetworksBasedDetectionofOutliersandTurningPointsinStockTr

2、adingCandidate:LinXiaoMajor:SoftwareEngineeringSupervisor:Prof.ShenGangHuazhongUniversityofScienceandTechnologyWuhan430074,P.R.ChinaDecember,2016II华中科技大学硕士学位论文III华中科技大学硕士学位论文摘要股票交易中存在频繁的波动和各种异常，这一情况使得投资者在选择股票交易时面临风险和考验。由于在股票交易的过程中，投资者希望预测股票的反转点，以最大限度地利用股价最低价时候的谷

3、值以及股价最高价时候的峰值来实现最大化盈利，因此，检测股票市场中的异常波动点以及这种反转点，对于股票分析具有重要意义。近年来，卷积神经网络在图片挖掘方面取得一定成果，基于此，在股票反转点检测中，获取股票的历史数据，根据K线图，手工标记所有股票的反转点。采用滑动窗口，将股票分割成子序列。将子序列直接输入到卷积神经网络进行特征学习。卷积神经网络由若干卷积层、池化层、激励层相结合而成，根据股票时间序列维度的不同，卷积神经网络的层数也不同，但所有的层的输出为学习到的特征。将学习到的特征输入到一个全连通的多层感知器（Multi-

4、layerPerceptron，MLP），通过MLP将前面学习到的特征进行分类。采用前向传播算法与后向传播算法反复训练模型，直到参数收敛。最后，根据模型对测试数据的检验效果，衡量其正确率。在股票异常波动点检测中，复用所提到的特征学习层，将学习到的特征进行小波聚类。然后结合马尔科夫链模型，统计股票异常点。最后，根据证券交易所提供的股票异常波动公告对检测出的异常点进行评价。结合上述模型，收集从2015年8月20日到2016年4月20日沪深A股的交易日信息以及股票的异常交易公告，同时人工标记股票的反转点。将上述数据输入模型进

5、行训练，然后分别进行反转点检测与异常波动点检测。实验结果表明，将卷积神经网络、时间序列分析方法，以及传统的分类聚类方法相结合的模型可以有效检测股票反转点以及异常点信息。关键词：时间序列卷积神经网络股票反转点股票异常IV华中科技大学硕士学位论文AbstractTherearemanyfrequentfluctuationsandallkindsofabnormalpointsinthetradingofstockswhichmakesinvestorsconfusedwhenchoosingstocktrading.Mo

6、reover,Intheprocessofstocktrading,everyonewanttoobtainthereversalofthestockpointswhichincludingthevalleypriceandthepeakprice.sotheycangetmoreprofits.Thus,itisimportanttoidentifytheabnormalfluctuationsandthereversalofthestockpoints.Inrecentyears,theconvolutionaln

7、euralnetworkmadesomeachievementsintermsofimagemining.SowewanttouseCNNtoidentifytheabnormalfluctuationsandthereversalofthestockturningpoints.Inordertocapturethestyleofthestockturningpoints,weshouldgetallthestocksdatainhistory,andaccordingtotheKchart,labelallthest

8、ockturningpointsbymanually.Weuseslidingwindowtosplitthestocksequenceintosubsequence.Then,inputthesubsequencedirectlytotheCNNtogetthecharacteristicsbyautomatically.The