西北大學科研課題

深度學習在股票價格預測中的應用

深度學習 (Deep Learning) 是目前人工智能最重要的組成部分，是一種由復雜結構（多重非線性變換）構成的多個處理層對數據進行高層抽象的算法。人工智能作為二十一世紀關鍵技術之一，已經成為全球經濟迅猛增長的源動力。深度學習根據其應用分類，可以分為監督學習（分類，回歸），非監督學習（聚類，異常值檢測）與強化學習（AlphaGo，自動駕駛等）三大類。深度學習是一門交叉學科，損失函數的優化需要應用數學支撐，代碼實現與GPU運算需要計算機科學支撐，模型設計需要統計學支撐。隨著信息技術的發展，越來越多的領域都離不開深度學習與人工智能。

隨著人類社會的發展，越來越多的新發明受到人們的關注。如谷歌，百度，特斯拉等等公司都在著手研發自動駕駛技術，百萬年薪在這一領域已是稀松平常，當今IT公司追逐人工智能風潮的決心可見一斑。擁有頂尖人工智能技術的公司股價連創新高，深度學習已成為當今社會最前沿與重要的技術之一。

作為一個交叉學科，深度學習與人工智能要求較強的理工科背景：數學，統計學知識幫助理解深層次的原理，計算機知識則是搭建軟件框架的必要背景。在具體的研究上，學生還需要有較強的建模能力去設計模型。

量化交易技術是信息時代的一門重要的技術。它能夠利用計算機預測股票及衍生品的走勢，并代替人類去自動化完成交易。量化交易以先進的數學模型替代人為的主觀判斷，利用計算機技術從龐大的歷史數據中海選能帶來超額收益的多種“大概率”事件以制定策略，極大地減少了投資者情緒波動的影響，避免在市場極度狂熱或悲觀的情況下作出非理性的投資決策。越快、越準確的完成預測和交易，收益就會越高。量化交易以及股票價格預測模型因此成為了每一家投資銀行和基金公司的核心技術。如今大多數股票價格預測模型都是基于遞歸神經網絡(Recurrent Neural Networks)與長短時記憶模型（Long Short-Term Memory Cell），本次課題我們將設計深度學習模型并且應用于股票價格預測。

科研方法

AI＋X數據驅動型科研

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?；蚪M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。

---

課題要求

本課題適合： 9-12 年級學生，有較強的邏輯思維和抽象思維能力：

英文：
1、具備基本的學術英語閱讀能力；
2、接觸過英文寫作，有論文寫作經驗者更佳；

 

數學：
1、線性代數基礎知識；
2、概率統計基礎知識；

 

計算機：
Python編程基礎。