将机器学习和深度学习方法运用到股市分析中, 不仅具有一定的理论价值, 也具有一定的实践价值。从理论价值上讲, 中国的量化投资技术（投资观念、方法与决策等）还不够成熟, 尚处在起步阶段, 能够将量化投资技术运用到投资决策中的公司寥寥无几。目前, 国内对量化投资的研究虽然已经取得了一定的进展, 但是相关的经验和成果还比较欠缺。而如今在大数据的背景下, 伴随着人工智能的兴起, 深度学习毫无疑问成为了一个重要的研究方向, 其非参数和非线性的特性, 能够对复杂、动态、不确定的金融市场进行有效的拟合。而实践价值主要体现在, 在金融市场中投资者利用较为成熟的方法对股票价格进行预测, 能够及时、高效地获取收益, 并规避投资风险。同时, 将机器学习、深度学习等方法引入到投资决策中, 可以降低对股市走势的人为影响, 提高投资决策的准确性。

因为金融数据具有高噪声、非线性、高复杂度等特性, 所以在对股价进行预测时, 会受到许多因素的影响。随着机器学习和深度学习技术的出现, 更多的学者试图将各种机器学习和深度学习算法模型用于股价预测, 并在参数优化、模型融合等方面进行拓展研究。结果表明, 基于机器学习和深度学习方法改进的模型能够对传统的统计模型进行有效的补充, 这种方法不但能够对大量的输入数据进行有效地处理, 同时还能很好地刻画股市中的非线性关系, 具有较高的计算效率和良好的预测效果。

鉴于此，采用基于贝叶斯优化的卷积神经网络-循环神经网络混合模型进行简单的股票价格时间序列预测，运行环境为MATLAB R2021B。

注意：股票价格时间序列是生成的，并非时间的股票市场价格时间序列。

Visualize the full sequence

Hyper Parameters Optimization

Visualization

Viz the predict and test data alone for better understanding

Some viz to check how well the net performs.

function X = stockprice(observations,reapitibility)
% this function was modified to generate a ramdom stock. It was inspired by

expReturn = 0.0036;% expected return
sigma = 0.0314;  % std
correlation = 1;

X           = 30;% initial price

GBM = gbm(diag(expReturn),diag(sigma), 'Correlation', ...
    correlation, 'StartState', X);

nPeriods = observations;      % # of simulated observations
dt       =   1;      % time increment = 1 day
if reapitibility
    rng(142857,'twister')
end
[X,~] = simulate(GBM, nPeriods, 'DeltaTime', dt, ...
    'nTrials', 10);
X = squeeze(X);
X = X(:,1);X = X';
end


知乎学术咨询：
https://www.zhihu.com/consult/people/792359672131756032?isMe=1

完整代码：https://mbd.pub/o/bread/ZJWXlpps

工学博士，担任《Mechanical System and Signal Processing》《中国电机工程学报》《控制与决策》等期刊审稿专家，擅长领域：现代信号处理，机器学习，深度学习，数字孪生，时间序列分析，设备缺陷检测、设备异常检测、设备智能故障诊断与健康管理PHM等。