第 1 章 引言
5
期放大的方法对其模型的输入数据进行预处理,然后选取上海证交所中的 4 支
股票进行是来分析。实验结果表明,该预测模型在实效性方面有很大优势
[11]
。
1998 年,王上、飞周佩玲等人提出径向基函数神经网络对 IBM 公司的股票
价格进行了预测,该模型基于非线性时间序列,并采用了滑动窗技术。实验预测
结果表明线拟合效果上该模型优势明显
[12]
。
2004 年,崔建福,李兴绪等人根据股票价格多表现为非线性时间序列数据
的特征,分别建立了基于 GARCH 的模型和基于 BP 神经网络模型,对这两个模
型进行了实例分析后,并对它们的预测结果进行了对比分析
[13]
。
2009 年,杨海深、傅红卓等人通过对 BP 神经网络进行贝叶斯正则化来预测
股票的指数。通过对上海证交所选取实例分析研究表明,相同条件下,通过对
BP 神经网络进行贝叶斯正则化后的模型比采用其他算法改进的神经网络模型在
泛化能力上有优势,模型预测准确率更好
[14]
。
2011 年,翟曼提出了基于 PSO 优化混沌 BP 神经网络的股票指数预测模型,
在选取深交所的股票进行实例分析。实验结果表明进过 PSO 优化的混沌 BP 神经
网络预测效果更好,非线性拟合能力更优
[15]
。
2014 年,万杰对风速预测分别构建了基于 BP 神经网络模型和基于支持向量
机预测模型,以及基于深度学习的深度神经网络预测模型,并通过实验对比,分
析了各个预测模型对风速的预测准确率,其中基于深度学习的深度神经网络的预
测模型准确率最好
[16]
。
2015 年,张春霞等人对受限的玻尔兹曼进行了综述,介绍了受限的玻尔兹
曼机的结构和相关算法。
2016 年丁美昆等人对深度置信网络进行了综述,分别介绍目前的深度信念
网络的基本机构和训练方法及其问题。
目前深度学习主要的应用领域有语音识别,比如在基准测试 TIMIT 中,相较
于之前的识别模型,基于深度置信网络的识别模型将误差率显著地从 26%降到
17.7%
[17]
。我国百度和科大讯飞的语音识别领域都取得傲人成绩。同时深度学习
也在图像检测与识别上也有巨大优势
[18-20]
,而基于深度学习的人工智能系统取得
成绩更是斐然
[21]
,例如 Google DeepMind 团队所打造的 AlphaGo 于 2016 年 3
月 15 日向世界围棋冠军李世乭挑战围棋,并将其打败。然而深度学习在股票价
万方数据