用時間遞歸神經網絡預測股票市場

Category: STEM國際競賽 Date: 2020年3月26日下午5:45

遞歸神經網絡（RNN）是神經網絡的一種。單純的RNN因為無法處理隨著遞歸，權重指數級爆炸或消失的問題，難以捕捉長期時間關聯；而結合不同的LSTM可以很好解決這個問題。時間遞歸神經網絡可以描述動態時間行為，因為和前饋神經網絡接受較特定結構的輸入不同，RNN將狀態在自身網絡中循環傳遞，因此可以接受更廣泛的時間序列結構輸入。手寫識別是最早成功利用RNN的研究結果。今天小編要給大家介紹的這個科研課題就是與時間遞歸神經網絡預測股票市場相關。課題題目是杜克大學科研課題：基于時間遞歸神經網絡的股票市場預測。

課題簡介

股票交易市場為企業運作創造了有利的籌資環境，投資者可以根據自己投資計劃和市場變更情況買賣股票。深刻了解股票變更并作出合理預測對于增強投資者和發行方資本的流動性和安全性都有著關鍵的作用。除此之外，股票價格還能靈敏反映出行業前景和政治形勢的變化。學習和分析股票價格變化趨勢在當今社會顯得尤為重要。然而，通常情況下對股票做出合理預測需要一定的金融知識積累和對市場信息的深刻了解，這種傳統辦法不僅昂貴，并且需要耗費大量的人力。

本課題旨在運用機器學習對部分美股上市公司近年來股票變化趨勢進行分析。使用深度學習和在自然語言處理領域廣泛應用的時間遞歸神經網絡的算法建立模型，建立一個高效且可靠的股票預測系統。可以預測該課題在金融經濟領域將有著廣泛的應用場景。

本課題是融合了計算機科學和金融學兩大領域，借用自然語言處理的成熟算法，采用機器學習和深度神經網絡對海量數據進行分析。研究者將獲得使用Python處理時序信號、分析數據、訓練深度神經網絡的技能。同時還能積累機器學習處理實際問題的經驗。

科研方法

AI+X數據驅動型科研

AI＋X數據驅動型科研是指使用人工智能（AI）算法，收集、處理、分析具體學科（X）的海量數據，并基于此進行預測，從而獲得科學發現的研究方法。與傳統的、基于實驗或邏輯推理的研究方式相比，AI＋X數據驅動型科研可以借助AI算法強大的運算能力，高效地進行大數據分析，具有投入產出比高、適用范圍廣的優點。

AI＋X數據驅動型科研已被廣泛地應用于各個領域，利用AI算法研究基因數據，從而進行早期的癌癥篩查便是其中一例。基因組與癌癥病患的數據千千萬萬，使用傳統的科研方式對其進行分析，工程量大、過程繁瑣，在客觀上難以實現。但借助AI算法這一便捷的工具，生命科學家便能夠以海量的患者的遺傳信息為基礎，建立數據庫，與過往的研究成果進行對照，快速、準確地在兩者中發現規律、建立聯系，從而使癌癥診斷的“標準化”成為可能。