用時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)股票市場(chǎng)

遞歸神經(jīng)網(wǎng)絡(luò)（RNN）是神經(jīng)網(wǎng)絡(luò)的一種。單純的RNN因?yàn)闊o法處理隨著遞歸，權(quán)重指數(shù)級(jí)爆炸或消失的問題，難以捕捉長(zhǎng)期時(shí)間關(guān)聯(lián)；而結(jié)合不同的LSTM可以很好解決這個(gè)問題。時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)可以描述動(dòng)態(tài)時(shí)間行為，因?yàn)楹颓梆伾窠?jīng)網(wǎng)絡(luò)接受較特定結(jié)構(gòu)的輸入不同，RNN將狀態(tài)在自身網(wǎng)絡(luò)中循環(huán)傳遞，因此可以接受更廣泛的時(shí)間序列結(jié)構(gòu)輸入。手寫識(shí)別是最早成功利用RNN的研究結(jié)果。今天小編要給大家介紹的這個(gè)科研課題就是與時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)股票市場(chǎng)相關(guān)。課題題目是杜克大學(xué)科研課題：基于時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)的股票市場(chǎng)預(yù)測(cè)。

課題簡(jiǎn)介

股票交易市場(chǎng)為企業(yè)運(yùn)作創(chuàng)造了有利的籌資環(huán)境，投資者可以根據(jù)自己投資計(jì)劃和市場(chǎng)變更情況買賣股票。深刻了解股票變更并作出合理預(yù)測(cè)對(duì)于增強(qiáng)投資者和發(fā)行方資本的流動(dòng)性和安全性都有著關(guān)鍵的作用。除此之外，股票價(jià)格還能靈敏反映出行業(yè)前景和政治形勢(shì)的變化。學(xué)習(xí)和分析股票價(jià)格變化趨勢(shì)在當(dāng)今社會(huì)顯得尤為重要。然而，通常情況下對(duì)股票做出合理預(yù)測(cè)需要一定的金融知識(shí)積累和對(duì)市場(chǎng)信息的深刻了解，這種傳統(tǒng)辦法不僅昂貴，并且需要耗費(fèi)大量的人力。

本課題旨在運(yùn)用機(jī)器學(xué)習(xí)對(duì)部分美股上市公司近年來股票變化趨勢(shì)進(jìn)行分析。使用深度學(xué)習(xí)和在自然語言處理領(lǐng)域廣泛應(yīng)用的時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)的算法建立模型，建立一個(gè)高效且可靠的股票預(yù)測(cè)系統(tǒng)。可以預(yù)測(cè)該課題在金融經(jīng)濟(jì)領(lǐng)域?qū)⒂兄鴱V泛的應(yīng)用場(chǎng)景。

本課題是融合了計(jì)算機(jī)科學(xué)和金融學(xué)兩大領(lǐng)域，借用自然語言處理的成熟算法，采用機(jī)器學(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)對(duì)海量數(shù)據(jù)進(jìn)行分析。研究者將獲得使用Python處理時(shí)序信號(hào)、分析數(shù)據(jù)、訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)的技能。同時(shí)還能積累機(jī)器學(xué)習(xí)處理實(shí)際問題的經(jīng)驗(yàn)。

科研方法

AI+X數(shù)據(jù)驅(qū)動(dòng)型科研

AI＋X數(shù)據(jù)驅(qū)動(dòng)型科研是指使用人工智能（AI）算法，收集、處理、分析具體學(xué)科（X）的海量數(shù)據(jù)，并基于此進(jìn)行預(yù)測(cè)，從而獲得科學(xué)發(fā)現(xiàn)的研究方法。與傳統(tǒng)的、基于實(shí)驗(yàn)或邏輯推理的研究方式相比，AI＋X數(shù)據(jù)驅(qū)動(dòng)型科研可以借助AI算法強(qiáng)大的運(yùn)算能力，高效地進(jìn)行大數(shù)據(jù)分析，具有投入產(chǎn)出比高、適用范圍廣的優(yōu)點(diǎn)。

AI＋X數(shù)據(jù)驅(qū)動(dòng)型科研已被廣泛地應(yīng)用于各個(gè)領(lǐng)域，利用AI算法研究基因數(shù)據(jù)，從而進(jìn)行早期的癌癥篩查便是其中一例。基因組與癌癥病患的數(shù)據(jù)千千萬萬，使用傳統(tǒng)的科研方式對(duì)其進(jìn)行分析，工程量大、過程繁瑣，在客觀上難以實(shí)現(xiàn)。但借助AI算法這一便捷的工具，生命科學(xué)家便能夠以海量的患者的遺傳信息為基礎(chǔ)，建立數(shù)據(jù)庫，與過往的研究成果進(jìn)行對(duì)照，快速、準(zhǔn)確地在兩者中發(fā)現(xiàn)規(guī)律、建立聯(lián)系，從而使癌癥診斷的“標(biāo)準(zhǔn)化”成為可能。

授課導(dǎo)師

杜克大學(xué) 博士

導(dǎo)師博士現(xiàn)就讀于杜克大學(xué)電子計(jì)算機(jī)工程專業(yè)；

研究方向?yàn)橛?jì)算機(jī)視覺、卷積神經(jīng)網(wǎng)絡(luò)和衛(wèi)星圖像識(shí)別；

擔(dān)任機(jī)器學(xué)習(xí)入門、數(shù)據(jù)挖掘和圖像識(shí)別等多門計(jì)算機(jī)課程助教；

課題要求

本課題適合： 9-12 年級(jí)學(xué)生，有較強(qiáng)的邏輯思維和抽象思維能力

英文：

具備基本的學(xué)術(shù)英語閱讀能力；

接觸過英文寫作，有論文寫作經(jīng)驗(yàn)者更佳；

數(shù)學(xué)：

微積分；

線性代數(shù)；

對(duì)于使用數(shù)學(xué)建模解決和探究實(shí)際科學(xué)與工程問題有濃厚的興趣

計(jì)算機(jī)：

Python, Numpy編程基礎(chǔ)

Matplotlib庫基礎(chǔ)

Sklearn

Anaconda

報(bào)名/咨詢課題詳情

請(qǐng)識(shí)別下方二維碼