文献类型：期刊文章

作　　者：邓烜堃[1,2] 万良[1,2] 黄娜娜[1,2]

DENG Xuankun;WAN Liang;HUANG Nana(College of Computer Science&Technology,Guizhou University,Guiyang 550025,China;Institute of Computer Software and Theory,Guizhou University,Guiyang 550025,China)

机构地区：[1]贵州大学计算机科学与技术学院,贵阳550025 [2]贵州大学计算机软件与理论研究所,贵阳550025

出　　处：《计算机工程与应用》

基　　金：贵州省科学基金(黔科合J字[2011]2328号;黔科合LH字[2014]7634号)

年　　份：2019

卷　　号：55

期　　号：3

起止页码：126-132

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD_E2019_2020、IC、INSPEC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：股票指标数据种类多、维度高,且指标之间存在多重共线性。为了降低数据的维度、消除指标间的多重共线性和预测股票价格,首先构建了基于受限布尔兹曼机的深度自编码器,实现了高维数据向低维空间的压缩编码。然后基于BP神经网络建立了低维编码序列与股票价格之间的回归模型。实验结果表明,深度自编码器提取特征的能力优于主成分分析法和因子分析法;相比较使用降维前的数据,使用编码后的数据用预测股票价格,模型可以减少计算开销,并且获得更高的预测精度。

关 键 词：深度自编码器  受限布尔兹曼机  BP神经网络 股票预测

分 类 号：TP183]