機(jī)器學(xué)習(xí)與股票擇時(shí)

定　價(jià)：￥45.00

作　者：	邱月
出版社：	首都經(jīng)濟(jì)貿(mào)易大學(xué)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

ISBN：	9787563832989	出版時(shí)間：	2022-08-01	包裝：	平裝-膠訂
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：		字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　隨著計(jì)算機(jī)技術(shù)在運(yùn)算能力、數(shù)據(jù)存儲(chǔ)等方面的快速發(fā)展，傳統(tǒng)股票投資方法的弊端被不斷放大，新興的量化投資方法受到人們的廣泛關(guān)注，依賴(lài)計(jì)算機(jī)技術(shù)的機(jī)器學(xué)習(xí)算法越來(lái)越多的應(yīng)用在股票研究領(lǐng)域之中。支持向量機(jī)、K緊鄰、遺傳算法等多種機(jī)器學(xué)習(xí)算法都被成功應(yīng)用于量化投資領(lǐng)域，本書(shū)改進(jìn)了FA算法的動(dòng)態(tài)搜索能力，將MFA算法應(yīng)用于變量的選取及參數(shù)尋優(yōu)，系統(tǒng)地構(gòu)建了基于MFA-SVM的量化擇時(shí)模型；針對(duì)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)層數(shù)不足等局限性，提出一種適用于股票擇時(shí)問(wèn)題的混合CNN-RNN模型，由一維CNN模塊（卷積層和池化層）、RNN模塊（雙層LSTM和雙層GRU）、ReLU激活函數(shù)層組成，并進(jìn)行了實(shí)證研究，為相關(guān)學(xué)者后續(xù)研究提供了新思路和新方法。本書(shū)可供信息管理與金融類(lèi)專(zhuān)業(yè)高年級(jí)本科生與研究生使用，也可供從事機(jī)器學(xué)習(xí)技術(shù)與應(yīng)用研究的科研人員、金融市場(chǎng)數(shù)據(jù)分析人員以及機(jī)器學(xué)習(xí)軟件開(kāi)發(fā)人員參考。.

作者簡(jiǎn)介

　　2008年畢業(yè)于北京航空航天大學(xué)系統(tǒng)工程專(zhuān)業(yè)，獲工學(xué)博士學(xué)位?，F(xiàn)為首都經(jīng)濟(jì)貿(mào)易大學(xué)管理工程學(xué)院院長(zhǎng)助理。研究領(lǐng)域?yàn)榱炕鹑?、機(jī)器學(xué)習(xí)、風(fēng)險(xiǎn)管理等；主持或參與項(xiàng)目16項(xiàng)；發(fā)表SCI、EI等高水平學(xué)術(shù)論文30余篇。

圖書(shū)目錄

目錄

1緒論
1.1研究背景及意義
1.1.1研究背景
1.1.2研究意義
1.2研究現(xiàn)狀
1.2.1國(guó)內(nèi)研究現(xiàn)狀
1.2.2國(guó)外研究現(xiàn)狀
1.3主要貢獻(xiàn)
1.3.1在運(yùn)用機(jī)器學(xué)習(xí)算法方面的主要貢獻(xiàn)
1.3.2在運(yùn)用深度學(xué)習(xí)算法方面的主要貢獻(xiàn)
2理論基礎(chǔ)
2.1量化擇時(shí)
2.1.1擇時(shí)策略
2.1.2策略類(lèi)型
2.1.3市場(chǎng)有效性理論
2.1.4技術(shù)指標(biāo)
2.2支持向量機(jī)
2.2.1線(xiàn)性支持向量機(jī)
2.2.2非線(xiàn)性支持向量機(jī)
2.3深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)
2.3.1卷積神經(jīng)網(wǎng)絡(luò)
2.3.2循環(huán)神經(jīng)網(wǎng)絡(luò)
2.3.3激活函數(shù)
3基于SVM的股票擇時(shí)研究
3.1模型構(gòu)建原則
3.1.1數(shù)據(jù)獲取
3.1.2數(shù)據(jù)拆分
3.1.3數(shù)據(jù)預(yù)處理
3.1.4特征指標(biāo)與預(yù)測(cè)變量的選擇
3.1.5參數(shù)尋優(yōu)
3.1.6訓(xùn)練擇時(shí)模型
3.1.7分析擇時(shí)效果
3.1.8測(cè)試模型
3.2模型構(gòu)建
3.2.1設(shè)定擇時(shí)條件
3.2.2特征指標(biāo)
3.3改進(jìn)算法
3.3.1螢火蟲(chóng)算法
3.3.2改進(jìn)螢火蟲(chóng)算法
3.3.3參數(shù)尋優(yōu)
3.4個(gè)股實(shí)證分析
3.4.1MFA算法有效性驗(yàn)證
3.4.2個(gè)股實(shí)證指標(biāo)
3.4.3平安銀行個(gè)股實(shí)證
3.4.4中信證券個(gè)股實(shí)證
3.5指數(shù)實(shí)證分析結(jié)果
3.5.1中證500指數(shù)
3.5.2創(chuàng)業(yè)板指數(shù)
3.5.3滬深300指數(shù)
4基于深度學(xué)習(xí)的股票擇時(shí)研究
4.1指標(biāo)獲取
4.1.1指標(biāo)介紹
4.1.2指標(biāo)可視化
4.2數(shù)據(jù)預(yù)處理
4.2.1數(shù)據(jù)正則化
4.2.2維度分析
4.3混合CNN-RNN模型的構(gòu)建
4.3.1模型構(gòu)建思路
4.3.2模型構(gòu)建流程
4.3.3模型結(jié)構(gòu)
4.3.4模型評(píng)估
4.4基于UCI數(shù)據(jù)集的實(shí)證研究
4.4.1實(shí)驗(yàn)數(shù)據(jù)
4.4.2參數(shù)設(shè)置
4.4.3實(shí)驗(yàn)結(jié)果
4.5基于股票市場(chǎng)指標(biāo)數(shù)據(jù)的實(shí)證研究
4.5.1實(shí)驗(yàn)數(shù)據(jù)
4.5.2參數(shù)設(shè)置
4.5.3實(shí)驗(yàn)結(jié)果
5結(jié)論與展望
5.1結(jié)論
5.2展望
參考文獻(xiàn)
附錄混合CNN-RNN模型代碼