毕业论文课题相关文献综述
一、研究背景近年来人工智能和大数据迅猛发展，作为人工智能核心技术的神经网络得到了广泛的应用，例如王志远，等通过天气预测光能发电情况[1]，苗开超，等大雾临近预报[2]诸如此类研究，证明了神经网络的强大功能。
随着大数据技术和人工智能技术与的不断应用和发展，金融市场的进一步完善和金融服务业的强烈需求，金融市场预测引起了业界、学术界的广泛关注[3]，但当前对预测研究金融工具价格和经济变量等的主要预测技术仍然集中在各种时间序列模型, 包括常见的自回归模型(auto regressive, AR)、滑动平均模型(moving average, MA)、自回归滑动平均模型(auto-regressive and moving average, ARMA)、季节模型、长时间模型、带时间序列误差的回归模型等。
然而，在金融市场中，并非所有的人都是完全理性的，所以存在很多噪音（干扰项），而且数据也是非线性的和动态的。
上述模型对其预测相当困难，但相比其他模型，神经网络作为人工智能在金融行业的应用,对金融数据的预测更为出色。
神经网络的种类也有多种，不同的神经网络也有着不同的拟合度。
LSTM(Long Short-Term Memory长短期记忆网络)，RNN(Recurrent Neural Networks循环神经网络)以及GRU(Gated Recurrent Unit门控循环单元)的平均正确率为58.57%，56.85%，57.61%[4]，这几种方法看似相差不大，但是庞大的金融交易额会使其产生巨大影响。
上述数据也表明了LSTM在金融数据预测上的优势。
二、研究现况近些年，已经有很多建立在神经网络与股票预测，例如曾安，等深度双向LSTM对股票的研究[5]；任君，等正则化LSTM对股指的研究[6],等研究[7]。
但这些模型虽然，由于RNN对近期数据有着记忆的功能[8]，RNN模型有明显的优势并且非常适合于时间序列的预测[9][10]，但是RNN存在着梯度下降快、无法收敛到最优解等问题[11]。
LSTM作为一种改进的RNN模型，通过其输入门，遗忘门，输出门的结构选择性地过滤信息，可以从训练的历史数据中提取出更多有用的信息。
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。
