سرمایه‌گذاری مالی زنجیره قفل‌دار براساس الگوریتم شبکه یادگیری عمیق

به منظور مطالعه استفاده از یادگیری عمیق برای پردازش داده‌های مالی، پیشنهاد شده‌است که تکنولوژی مربوط به شبکه عصبی و یادگیری عمیق را می توان برای داده‌های مالی به کار برد، و شاخص سهام واقعی و داده‌های آتی را می توان برای کشف اثر کاربرد شبکه عصبی و یادگیری عمیق استفاده کرد. در ابتدا، نظریه و مدل یادگیری در عمق و شبکه عصبی به تفصیل معرفی می‌شوند. دوم، یک شبکه عصبی ساده و مدل یادگیری عمیق در شاخص سهام و پیش‌بینی قیمت آتی استفاده می‌شوند. داده‌های مورد استفاده در ورودی مدل شامل قیمت سهام در تجارت فعلی و برخی شاخص‌های داده، و قیمت پایانی سهام در زمان بعدی است. کاهش در خروجی منعکس خواهد شد. اگر خروجی برای ۱ و ۰ بالا باشد، داده جدید پس از آموزش مدل وارد خواهد شد. در نهایت، داده‌های خروجی را می توان با داده‌های واقعی مقایسه کرد تا تاثیر کاربردی مدل را مورد قضاوت قرار دهد، بعد از مقایسه e و تحلیل اثر کاربردی مدل. نتایج نشان می‌دهد که تحقیق در این مطالعه می‌تواند به سرمایه گذاران کمک کند تا یک مدل سرمایه‌گذاری خودکار و استراتژی سرمایه‌گذاری بازار سهام ایجاد کنند. ساخت‌وساز می‌تواند برای ارجاع به

In order to study the use of in-depth learning to process financial data, it is proposed that the related technology of neural network and deep learning can be applied to financial data, and real stock index and futures data can be used to explore the application effect of neural network and in-depth learning. Firstly, the theory and model of in-depth learning and neural network are introduced in detail. Secondly, a simple neural network and in-depth learning model are used in the stock index and futures price forecast. The data used in the input of the model include the price of a stock in the current trading and some data indicators, and the closing price of a stock in the next time. The decline will be reflected in output. If the output is up for 1 and down for 0, new data will be input after the training of the model. Finally, the output data can be compared with the real data to judge the application effect of the model, after comparing e and analyzing the application effect of th