基于深度学习的股价涨跌预测
摘要：本文先介绍一些算法，包括逻辑回归、决策树和支持向量机三种传统的机器学习算法，以及多层感知器和卷积神经网络两种神经网络方法，再介绍国内外用于相关的机器学习算法在预测股价涨跌方面的一些研究成果。
关键词：机器学习； 神经网络； 深度学习
一、文献综述
1机器学习
1.1 逻辑回归算法
逻辑回归（Logistic Regression） 虽然被称为回归，但其实际上是分类模型，并常用于二分类问题。逻辑回归通常使用的函数是Sigmoid函数，sigmoid函数是一个s形的曲线，它的取值在0和1之间，在远离0的地方函数的值会很快接近0或者1。它的这个特性对于解决二分类问题十分重要。逻辑回归假设数据服从这个分布，然后使用极大似然估计做参数的估计。逻辑回归的优点在于实现简单，现已经广泛的应用于工业问题上，但是当特征空间很大时，逻辑回归的性能不是很好，容易出现欠拟合，一般准确度不太高。
1.2决策树算法
决策树（Decision Tree）属于机器学习中的一个热门领域，决策树通过自主选择的特征来学习决策规则，来预测目标的监督学习模型。决策树构造可以分两步，第一步是决策树的生成，指的是由训练样本集生成决策树的过程。一般情况下，用于训练样本的数据集是根据实际需要选择有一定综合程度的数据集。第二步是决策树的剪枝，指的是对上一阶段生成的决策树进行检验、校正和修下的过程，主要是用测试数据集中的数据校验决策树生成过程中产生的初步规则，将那些影响预衡准确性的分枝剪除。常见的决策树算法有ID3、ID4.5和CART等，它们区别在于所选择特征的指标不同，ID3和ID4.5分别勇信息增益和信息增益比作为特征选择工具，而CART用Gini系数作为特征选择工具，本文所采用的算法为CART。决策树算法在构建过程中，会自动地把决定意义最大地特征放在树的根结点上，也就是树的顶端，随后在进一步对比其他特征的决定意义，按照重要程度构造出一颗完整的决策树。决策树算法模型的构建比较简单，模型也通常有着较好的解释性，并且易于理解。但是，决策树在进行分类时容易出现过度拟合问题，通过决策树的剪枝，在一定程度上可以改善该问题。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
