《专题报告（量化）：神经网络系列一，基于卷积神经网络(CNN)的期货价格预测》由会员分享，可在线阅读，更多相关《专题报告（量化）：神经网络系列一，基于卷积神经网络(CNN)的期货价格预测（12页珍藏版）》请在金锄头文库上搜索。
1、投资咨询业务资格：投资咨询业务资格： 证监许可【证监许可【2012】669 号号 研究咨询部研究咨询部 量化组量化组 刘宾 0755-83212741 从业资格号：F0231268 投资咨询号：Z0000038 王建伟 CFA FRM 021-60812992 从业资格号： F3014595 投资咨询号：Z0013229 联系人联系人 邹天舒 021-60812993 从业资格号：F3027249 王炳瑜 021-60812989 从业资格号: F3018918 肖璋瑜 0755-82723054 从业资格号 F3034888 陈舜尧 0755-82723054 从业资格号：F30
2、29712 中信期货研究中信期货研究|专题报告（量化）专题报告（量化）2018-01-26 神经网络系列一 基于卷积神经网络(CNN)的期货价格预测神经网络系列一 基于卷积神经网络(CNN)的期货价格预测 内容摘要内容摘要 自 1955 年达特茅斯会议的计划书A Proposal for the Dartmouth Summer Research Project on Artificial Intlligence发表，人工智能走过了 60 余年， 伴随着神经网络在学术研究和商业应用多次起伏， 自 2006年辛顿A Fast Learning Algorithm for Deep Belief
3、Nets的突破性文章发表，作者在此文章中介绍了训练多层神经网络的方法，自此神经网络在安防，交通，在线购物，信息检索，无人机，机器人等领域的发展一日千里，从 ImageNet 竞赛到 AlphaGo 战胜李世石，深度学习的应用热潮再也没熄灭过。 在此，我们将深度神经网络引进金融资产价格预测，将金融时间序列转换成图像，以涨跌作为标识，通过卷积神经网络建模训练，分析价格预测的可行性和应用前景。 中信期货研究中信期货研究|专题报告（量化）专题报告（量化） 2018 年年 1 月月 26 日日 2 / 12 目目 录录 内容摘要 . 1 一、 人工神经网络 . 3 二、 卷积神经网络 . 5 三、 针对
4、时间序列的卷积神经网络分类 . 9 免责声明 . 12 图表图表目录目录 图 1 神经网络结构 . 3 图 2 感知器结构 . 4 图 3 局部感受野 . 6 图 4 参数共享 . 7 图 5 LeNet-5 . 8 图 6 LeNet-5 链接图 . 8 图 7多元时间序列卷积网络结构 1 . 9 图 8多元时间序列卷积网络结构 2 . 10 图 9多元时间序列卷积网络训练结果 . 10 中信期货研究中信期货研究|专题报告（量化）专题报告（量化） 2018 年年 1 月月 26 日日 3 / 12 一、一、 人工人工神经网络神经网络 1903 年，西班牙科学家卡哈尔通过改良的高尔基染色法首次
5、观察到了神经网络的细微结构，并在 1904 年发表著作确立了神经元学说，提出了神经活动的基本原则。在一个神经元细胞周围会有多个呈放射状的突起结构，称为树突。另外每个神经元会有一个细长的突起结构，称为轴突。轴突末端的分支称为轴突末梢，神经元从树突接受信号，当某一时刻累计的信号达到阈值，则通过轴突释放信号。当成千上万个神经元通过轴突链接其他神经元的树突时，便形成了复杂的神经网络。 图 1： 神经网络结构 数据来源：公开资料 中信期货研究部 1943 年，美国神经生理学家沃伦麦克洛奇和逻辑学家沃尔特匹茨一起提出了通过简单的计算模型来模拟神经元，对人类的神经系统进行了仿生建模，我们将此模型用两位作者的
6、首字母作为简称，成为 M-P 模型。 中信期货研究中信期货研究|专题报告（量化）专题报告（量化） 2018 年年 1 月月 26 日日 4 / 12 图 2： 感知器结构 数据来源：公开资料 中信期货研究部 在 M-P 模型中，所有的输入和输出都为 0 或者 1，用来模拟最基本的二进制信号， 每个输入信号的权重保持一致， 激活函数采用阶跃函数。 在此启发下，1956 年，美国心理学家罗森布拉特提出了著名的感知机(Perceptron)，改进了信号权重，并且输入信号不限于二值信号，罗森布拉特当时通过光传感器阵列模拟了视网膜并识别了一些简单的字母。 自此， 人工神经网络开启了应用的大门。 然而，在
7、当时，计算机硬件发展处于初级时期，二层感知器已经带来了难以完成的计算成本，而单层感知器却不能解决基的异或逻辑问题，由此进入了长期的研究寒冬。 直到 1982 年， 加州理工的霍普菲尔德提出了反馈型神经网络，成功的解决了一些识别和约束优化问题， 使学术研究再次拉回到神经网络。 1986年 ， 辛 顿 和 鲁 梅 哈 特 合 作 发 表 了 论 文 Learning Representations by Back-Propagating Errors提出了著名的反向传播算法，BP 神经网络使多层神经网络进入了实用阶段。1989 年，美国应用数学家塞班克证明了神经网络可以被看作一个通用逼近函数，一个隐含层可以逼近任意连续函数，两个隐含层的网络可以逼近任意函数，即神经网络的拟合能力是可以接近无限强，任意负责的多分类决策边界都可以被逼近。 随着实用化，多层神经网络的缺陷一一暴露。首先，随着神经网络层数的增加，BP 算法的梯度计算出现较不稳定的现象，也即是越远离输出层的参数越难以被训练，要么变化缓慢，要么变化过于剧烈，被称为梯度消失和梯度爆炸问题。其次，随着神经网络层数的增加，参数将以几何级扩张，导致神经网络中信期货研究中信期货研究|专题报告（量化）专题报告（量化） 2018 年年 1 月月 26 日日 5 / 12
