【摘 要】
：
在金融时序数据的分析中经常会遇到一些复杂的非线性系统,利用数学方法很难对这些复杂的系统状态方程准确建模。针对目前金融时序的数据分析复杂性和不确定性等问题,将对复杂
【机 构】
：
上海大学通信与信息工程学院,中国科学院上海高等研究院智慧城市研究中心
论文部分内容阅读
在金融时序数据的分析中经常会遇到一些复杂的非线性系统,利用数学方法很难对这些复杂的系统状态方程准确建模。针对目前金融时序的数据分析复杂性和不确定性等问题,将对复杂非线性系统的模拟转化为对金融时序数据曲线的模式识别,确定了金融时序数据上升、下降以及无规则的各种模式。利用深度学习对非结构化数据处理的优势,提出了一种改进的基于深度信念网络(DBN)决策算法的金融时序数据建模与分析方法。将时序数据转化为非结构化数据,以这些非结构化数据作为深度学习网络的输入层训练DBN金融时序数据模型,应用训练好的模型于金融时序数据样本的预测选取和交易。实验结果表明,利用DBN模型选择的金融数据样本在金融时序数据量化的决策分析中的准确率可达到90.544 2%。
其他文献
在数据库中进行信息查询时,用户经常需要表示不精确的查询请求.然而传统的数据库无法对这些不精确的查询条件进行匹配,导致查询到空的结果集或者查询结果过多从而难以筛选,难
目的探索冠心病患者药物洗脱支架(DES)置入后阿司匹林联合P2Y12抑制剂双联抗血小板治疗(DAPT)时程对主要不良心脏事件(MACE)及出血的影响。方法回顾性纳入2008年1月~2009年5
指纹方向场对指纹的奇异点检测、特征提取和匹配、分类识别等至关重要。可靠地估计指纹方向场至今为止仍是一个具有挑战性的问题。现有方法一般先估计初始方向场,再对其进行去噪或者正则化处理。受最新的深度学习技术的启发,提出一种基于回归的端到端指纹方向场估计算法。该算法直接建立指纹图像块的纹理特征与其中心位置的脊线方向之间的映射关系。利用总变差模型分解指纹图像,以去除噪音的干扰;将指纹图像分成若干块,并利用深