毕业设计-基于机器学习的股票预测

目录

前言

课题背景和意义

实现技术思路

一、传统股票预测模型

 二、新型股票预测方法

实现效果图样例 

最后

---

前言

    大四是整个大学期间最忙碌的时光,一边要忙着备考或实习为毕业后面临的就业升学做准备,一边要为毕业设计耗费大量精力。近几年各个学校要求的毕设项目越来越难,有不少课题是研究生级别难度的,对本科同学来说是充满挑战。为帮助大家顺利通过和节省时间与精力投入到更重要的就业和考试中去,学长分享优质的选题经验和毕设项目与技术思路。

对毕设有任何疑问都可以问学长哦!

选题指导: https://blog.csdn.net/qq_37340229/article/details/128243277

大家好,这里是海浪学长毕设专题,本次分享的课题是

基于机器学习的股票预测

课题背景和意义

越来越多的学者投入到股市预测的研究中 ， 探求股市发展规律 ， 也不断有新的科学技术应用到股市预测， 以求能够预先掌握其发展趋势。股市如今已成为中国经济发展不可或缺的重要组成部分，由于其高回报率，一直是备受欢迎的投资之一。然而股票价格波动率取决于诸多因素，如股票政策、恐慌情绪、股本、利率、期权、认股权证、大型金融公司的合并和所有权等。科学有效的方法用于股票市场的“智能”预测不仅可以为交易监管机构制定稳定金融市场的政策提供基本信息，另一方面，对于投资者而言，股价预测也是获利和避免风险的一个重要参数。针对股票预测,人们在长期实践与研究地基本上总结出一套股票预测方法，并进行了基本地统计分析,但这种传统地股票预测方法很难准确地揭示股票内在地变化规律。在人工智能与机器学习不断发展地背景下,各种新地算法给金融领域带来显著地经济利益,金融领域地机器学习以和深度学习应用也得到人们地关注。通过采用神经网络进行数据建模,深度分析了数据内在特征,对股票市场地预测效果进行探索,帮助股民以和投资机构更好地预测股市走向。

实现技术思路

一、传统股票预测模型

传统的股票预测模型主要是基于统计学与概率论来进行预测研究。例如有传统时间序列模型、隐马尔可夫模型等股票预测研究的传统方法模型

传统时间序列模型

金融数据是一种具有时间序列性质的数据 ， 时间序列的特点就是其值具有一定的时间先后性和随机性， 相邻时间具有相关性且整体呈现某种趋势或者是周期性的变化 。 根据时序特征不同主要分为确定性模型和随机性模型。

隐马尔可夫模型

 隐马尔可夫模型（ＨｉｄｄｅｎＭａｒｋｏｖＭｏｄｅｌ，ＨＭＭ）是离散马尔可夫模型的衍生模型，Ｈａｍｉｌｔｏｎ首次将 ＨＭＭ 作为机制转移模型用于经济领域经济周期的预测，在此之后ＨＭＭ 从最初的信息技术领域不断发展到经济金融领域，模型在不断的改进完善。

在隐马尔可夫模型（HMM）中，我们不知道模型具体的状态序列，只知道状态转移的概率，即模型的状态转换过程是不可观察的。因此，该模型是一个双重随机过程，包括模型的状态转换和特定状态下可观察事件的随机。HMM图解：

 二、新型股票预测方法

基于ＳＶＭ 的预测模型

支持向量机 （ ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ ， ＳＶＭ ） 理论是 ２０ 世纪 ９０ 年代 Ｖａｐｎｉｋ 在统计学习理论的框架下提出的一种新型的学习机器 。 相比于传统预测方法 ， ＳＶＭ 采用了结构风险最小化原则， 能够较好地解决小样本 、 非线性和高维数问题 ， 具有较好的泛化能力。

基于决策树的预测模型

决策树是一种成熟的数据挖掘技术，基于决策树衍生出许多算法来适合线性和非线性的数据集进行趋势预测，ＸＧＢｏｏｓｔ是一种基于梯度提升决策树的改进算法，能够有效地构建增强树并且并行运行，包括回归树和分类树。

 通过网格搜索算法对 ＸＧＢｏｏｓｔ模型进行参数优化构建了 ＧＳ－ＸＧＢｏｏｓｔ股票预测模型，该模型相较于 ＸＧＢｏｏｓｔ原模型、ＧＢＤＴ模型以及ＳＶＭ 模型在 ＭＳＥ、ＲＭＳＥ与 ＭＡＥ三个评价指标上都表现出了较好的预测结果。

基于神经网络的预测模型

神经网络能够映射十分复杂的非线性关系 ， 具有强大的非线性泛化能力和良好的自适应性， 同时具有很强的学习能力和抗干扰能力 ， 能够较为准确的预测股票价格序列 ， 因而神经网络为股价序列的建模与预测提供了新的方法。

1）遗传神经网络

遗传算法是一种基于自然选择和自然遗传的自适应优化搜索算法。但是，它收敛速度慢，学习效率低，很容易达到局部最小值，利用ＰＣＡ算法对ＢＰ神经网络进行优化，建立了ＧＡＢＰ股票预测模型，该优化模型提高了股票价格的预测精度

 2）卷积神经网络

卷积神经网络（ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋ，ＣＮＮ）一般包含卷积层和池化层，其显著的特点就是能够感知局部视野、权重共享以及弱化特征具体位置，可以使参数训练规模大大缩小。

ＣＮＮ 能够有效提取数据特征的优点与 ＳＶＭ 的分类预测能力相结合 ， 基于此将模型用于股指预测， 有效地提高了预测精度。

3）长短期记忆神经网络 ＬＳＴＭ

长短期记忆神经网络（ｌｏｎｇｓｈｏｒｔ－ｔｅｒｍ ｍｅｍｏｒｙｎｅｔｗｏｒｋｓ，ＬＳＴＭ）是一种时间递归神经网络，适合处理和预测时间序列中间隔和延迟相对较长的重要事件，这一技术特征与股票预测问题有着很高的契合度，将普通循环网络中的隐藏节点设计为自循环形式，记忆单元维持一个误差流，进而可以记忆长时期的有效信息，避免梯度爆炸和梯度消失。

 4）径向基神经网络 ＲＢＦ

径向基 （ ＲＢＦ ） 神经网络是一种使用内部局部调整处理单元来学习分类任务和实值函数近似的神经网络 ， ＲＢＦ 使用一种自组织和监督学习的混合学习方法， 使得网络学习速度比反向传播更快， ＲＢＦ 神经网络的体系结构和学习规则是真正自适应的， 适合实时任务 。

 建立神经网络模型预测股票涨跌趋势，一般是先确定数据基本特征，选择合适的模型，然后是获取训练模型最优参数，最后对测试数据进行预测，一般可以总结为：

实现效果图样例 

人工智能股票预测系统：

我是海浪学长,创作不易,欢迎点赞、关注、收藏、留言。

毕设帮助，疑难解答，欢迎打扰！

最后