如需要完整文档点击下方 "点击下载文档" 按钮
近年来中国经济发展迅速,相应的,中国的金融市场也迅速发展,受到国内外投资者的关注,因此研究中国金融市场上股票价格趋势对学者、投资者和监管者具有重要的意义。 随着量化交易等理念的兴起,越来越多的学者将深度神经网络(DNN)应用于金融领域。 虽然近几年 DNN 在图像、语音以及文本等方面已经取得了极大的成功,但其在金融时间序列预测方面遇到了很多挑战,因为其数据本质上是高度动态性,且具有高噪声。 作为 DNN 在时序数据处理的典型代表LSTM,由于该方法没有考虑不同时间点、不同来源数据的重要性程度,效果仍不理想。 不同于在传统 LSTM 模型上引入Attention 机制,通过改进 Self-Attention 模型,分别对日线数据和分时线数据进行编码并融合,学习资金流变化对股票趋势变化的影响。 实验结果表明,所提方法将对趋势判断的准确率提高到 63. 04% ,并在两个月的回测实验中获得了 6. 562% 的收益,证明了该模型在股价趋势预测上具有一定的有效性和实用性。
如需要完整文档点击下方 "点击下载文档" 按钮
《基于改进 Self-Attention 的股价趋势预测》
将 完整文档 下载到本地,方便收藏和查阅
文件号:060801
点击下载文档