博碩士論文 107453030 詳細資訊




以作者查詢圖書館館藏 以作者查詢臺灣博碩士 以作者查詢全國書目 勘誤回報 、線上人數:28 、訪客IP:18.206.177.17
姓名 林泰宏(Tai-Hung Lin)  查詢紙本館藏   畢業系所 資訊管理學系在職專班
論文名稱 以多重遞迴歸神經網路模型為基礎之黃金價格預測分析
相關論文
★ 台灣50走勢分析:以多重長短期記憶模型架構為基礎之預測★ Opinion Leader Discovery in Dynamic Social Networks
★ 深度學習模型於工業4.0之機台虛擬量測應用★ A Novel NMF-Based Movie Recommendation with Time Decay
★ 以類別為基礎sequence-to-sequence模型之POI旅遊行程推薦★ A DQN-Based Reinforcement Learning Model for Neural Network Architecture Search
★ Neural Network Architecture Optimization Based on Virtual Reward Reinforcement Learning★ 生成式對抗網路架構搜尋
★ 以漸進式基因演算法實現神經網路架構搜尋最佳化★ Enhanced Model Agnostic Meta Learning with Meta Gradient Memory
★ 遞迴類神經網路結合先期工業廢水指標之股價預測研究★ A Novel Reinforcement Learning Model for Intelligent Investigation on Supply Chain Market
★ 基於雙層詞性序列對序列模型之對話機器人
檔案 [Endnote RIS 格式]    [Bibtex 格式]    [相關文章]   [文章引用]   [完整記錄]   [館藏目錄]   至系統瀏覽論文 ( 永不開放)
摘要(中) 針對深度學習的應用於商業領域及時間序列預測,本研究提出了門控遞迴單元雙GRU模型作為預測黃金價格,這種方法包括資料蒐集與前處理,GRU模型的設計和訓練,測試和評估。
黃金的價格的預測受到石油、美元、通膨以及經濟政策和意外事件等眾多因素的影響。想要對這樣一非線性非穩定時間序列進行準確預測有相當難度,為了預測的準確盡可能的將它們加入到預測模型中。因此本文也加入其中具有代表性的指標,油價、VIX指數加入到模型調變中。利用門控遞迴單元GRU解決了傳統遞迴神經網絡無法解決長期依賴的問題,本文試圖使用它們建立模型來預測黃金的價格趨勢。
本文分別設計多個基於GRU的遞迴神經網絡模型,經由充分的訓練和調變及優化,使用VIX及原油價格相關數據,作為訓練時的數據特徵,對隔天的黃金收盤價進行預測,最終雙GRU模型獲得了更好的預測效果,證明雙GRU神經網路模型在金融市場預測上的效能,具有一定的創新性,且模型可以提供時間序列相關研究參考,具有一定的價值。
摘要(英) According to the application of deep learning to the prediction of business field and time series, this research proposes a gated recurrent unit of dual GRU model as a gold price prediction. This method includes data collection and pre-processing, design and training of GRU models, and testing. And evaluation.
The price prediction of gold is affected by many factors including oil, the US dollar, inflation, and economic policies and contingency events. It is quite difficult to accurately predict such a non-linear and unstable time series, and add them to the prediction model as much as possible for the accuracy of the prediction. Therefore, this paper also incorporates the representative indexes among them, oil price and VIX index to add to the model adjustment. Using the gated recurrent unit GRU solves the problem that the traditional recurrent neural network cannot solve the long-term dependence. This article attempts to use them to build a model to predict the price trend of gold.
In this paper, we design multiple GRU models based on recurrent neural network. After sufficient training, adjustment and optimization, we use VIX and crude oil price-related data as data characteristics during training to predict the closing price of gold the next day. The 3 dimensions of dual GRU model has got better prediction results, which proves the performance of the dual GRU recurrent neural network model in the prediction of financial market. It has certain innovation, and the model can provide reference for time series related research and has certain value.
關鍵字(中) ★ 深度學習
★ 遞迴神經網絡
★ 門控遞迴單元
★ 黃金價格預測
關鍵字(英) ★ Deep learning
★ recurrent neural network
★ gated recurrent unit
★ gold price prediction
論文目次 中文摘要--------------------------------------------I
Abstract-------------------------------------------II
誌謝-----------------------------------------------III
目錄-----------------------------------------------IV
表目錄---------------------------------------------VI
圖目錄---------------------------------------------VII
第一章 緒論-------------------------------------------1
1.1 研究背景------------------------------------------1
1.2 研究動機------------------------------------------2
1.3 研究目的------------------------------------------3
1.4 論文架構------------------------------------------5
第二章 文獻探討----------------------------------------7
2.1 原油相關黃金價格文獻-------------------------------7
2.2 VIX相關黃金價格文獻--------------------------------8
2.3 類神經網路應用於黃金價格預測------------------------10
2.4 小結----------------------------------------------13
第三章 研究方法----------------------------------------14
3.1 門控遞迴單元GRU(Gated Recurrent Unit--------------14
3.1.1 GRU的輸入與輸出結構------------------------------14
3.1.2 GRU的內部結構------------------------------------15
3.2 GRU模型及三維雙GRU模型設計--------------------------17
3.3 模型訓練-------------------------------------------19
3.3.1 訓練模式-----------------------------------------20
3.3.2 測試模式-----------------------------------------20
3.3.3 梯度下降(Gradient descent)-----------------------21
3.3.4 反向傳播法(Backward-Propagation)-----------------22
3.3.5 均方根差(Root Mean Square Error, RMSE)---------24
3.3.6 決定係數 R平方-----------------------------------25
第四章 實驗結果----------------------------------------26
4.1 資料蒐集與前處理-----------------------------------26
4.1.1 資料來源----------------------------------------26
4.1.2 資料樣本----------------------------------------26
4.1.3 資料集的輸入與輸出方法---------------------------27
4.1.4 正規化 (Normalization)--------------------------27
4.2 訓練參數設定---------------------------------------30
4.3 實驗一 : 各種模型效能比較結果-----------------------30
4.4 實驗二 : 三維雙GRU模型參數實驗結果------------------34
4.5 實驗三 : 個案分析----------------------------------38
4.6 小結-----------------------------------------------40
第五章 結論---------------------------------------------41
5.1 研究結論--------------------------------------------41
5.2 未來研究方向----------------------------------------41
參考文獻------------------------------------------------42
中文文獻------------------------------------------------42
英文文獻------------------------------------------------44
參考文獻 中文文獻:
[1] 白文章、謝長杰,「應用灰關聯分析在類神經網路預測股價績效之研究」,
2009財經學術研討會,台北,2009。
[2] 李震華,「人工智慧技術發展趨勢」,資訊工業策進會產業財金資訊季刊
(2019): 1-7。
[3] 謝亞恩,「黃金價格預測模式之研究」,中原大學,碩士論文,民國 97 年。
[4] 蕭建文,「金融風暴前後之金價、油價、美元匯率與利率關聯分析」,中正大學,碩士論文,民國 98 年。
[5] 沈于平,「黃金價格影響因子之探討」,長庚大學,碩士論文, 2007。
[6] 李文斌,「黃金, 原油與美元指數相關性之研究」,淡江大學財務金融學系碩士在職專班學位論文, (2011): 1-60。
[7] 姚琳娜,「影響黃金價格的因素分析」,山東大學, 2015。
[8] 李映潔,「影響黃金價格因素其穩定性之研究」,(2007): 1-63。
[9] 陳淑華,「黃金價格與股價指數、石油價格及波動率指數關係之研究」,逢
甲大學,碩士論文,民國 99 年。
[10] 郭韋秀,「黃金價格,波動度指數與貨幣供給量關係之探討」, PhD Thesis亞洲大學,2018。
[11] 張永杰,「VIX 指數,S&P500 指數與黃金價格之關聯性研究」,(2015): 1-40。
[12] 孫健銘,「探討金融海嘯前後波動率指數,黃金價格與不同市場股價指數關
連性研究」, (2015): 1-71。
[13] 黃宣銘,「國際政經體系下黃金價格與價值之關聯性」,中興大學國際政治研究所學位論文 (2019): 1-126。
[14] 謝雅雯,「市場情緒與避險資產價格的關聯性」,(2016): 1-38。
[15] 鍾皓軒、蘇宇暉,「快速反應機制─類神經網路」,(2019) 。
[16] 黃登宇,「類神經網路於國際金價預測模型之研究」,臺北城市科技大學電商務研究所學位論文,(2012): 1-52。
[17] 陳弘忠,「運用灰關聯分析與類神經網路建立國際黃金現貨價格預測模式」
,義守大學工業工程與管理學系學位論文,(2014): 1-88。
[18] 蔡羽青,「基於 EEMD 之倒傳遞類神經網路方法對用電量及黃金價格之預
測」,政治大學應用物理研究所學位論文,(2011): 1-63。
[19] 邱培瑄,「新聞情緒與黃金之關聯性研究」,成功大學財務金融研究所,碩士在職專班學位論文,(2017): 1-36。
[20] -[24]李宏毅,「機器學習課程講義內容」,(2017) 。
[25] 洪從恕,「應用模糊分群法推估路段速率之研究」,(2013): 1-44。

英文文獻:
[26] Nabin Kumar Adhikari, et al. " GOLD PRICE PREDICTION Using ANNs", 2019
[27] Gil-Alana L,Yaya O S,Awe O O. "Time series analysis of co-movements in the prices of gold and oil Fractional cointegration approach." [J].Resources Policy,2017,53:117-124.
[28] Arak, Marcelle, and Naranchimeg Mijid. "The VIX and VXN volatility measures: Fear gauges or forecasts?." Derivatives Use, Trading & Regulation 12.1-2 (2006): 14-27.
[29] Devore, Jay L. "Probability and Statistics for Engineering and the Sciences."
Cengage learning, 2011.
[30] Hussein, Shamsul Faisal Mohd, et al. "Gold price prediction using radial basis function neural network." 2011 Fourth International Conference on Modeling, Simulation and Applied Optimization. IEEE, 2011.
[31] Kingma, Diederik P., and Jimmy Ba. "Adam: A method for stochastic optimization." arXiv preprint arXiv:1412.6980 (2014).
[32] Kanjilal K,Sajal G. "Dynamics of crude oil and gold price post 2008 global financial crisis-New evidence from threshold vector error-correction model. " [J].Resources Policy,2017,52:358-365.
[33] Shen, Guizhu, et al. "Deep learning with gated recurrent unit networks for financial sequence predictions." Procedia computer science 131 (2018): 895-903.
[34] Mohammad Obaidur Rahman, et al. "Predicting Prices of Stock Market using Gated Recurrent Units (GRUs) Neural Networks. " (2019): 1-11.
[35] Sathyanarayana, Shashi. "A gentle introduction to backpropagation." Numeric Insight 7 (2014): 1-15.
[36] Kristjanpoller W,Minutolo M C. "Gold price volatility:A forecasting approach using the Artificial Neural Network-GARCH model ." [J].Expert Systems with Applications,2015,42(20):7245-7251.
[37] Wilamowski, Bogdan M., et al. "Computing gradient vector and Jacobian matrix in arbitrarily connected neural networks." IEEE Transactions on Industrial Electronics 55.10 (2008): 3784-3790.
指導教授 陳以錚(Yi-Cheng Chen) 審核日期 2020-6-23
推文 facebook   plurk   twitter   funp   google   live   udn   HD   myshare   reddit   netvibes   friend   youpush   delicious   baidu   
網路書籤 Google bookmarks   del.icio.us   hemidemi   myshare   

若有論文相關問題,請聯絡國立中央大學圖書館推廣服務組 TEL:(03)422-7151轉57407,或E-mail聯絡  - 隱私權政策聲明