摘要：在卷积神经网络中,如何优化网络超参数是提高模型综合性能的关键。针对现有的优化方法的可解释性不足和计算耗时的缺点,文章提出了一种混合正交试验与优先级算子相结合的卷积神经网络超参数优化方法。该方法使用混合正交表设计卷积神经网络试验方案,并利用优先级算子对试验获得的多性能指标进行集结,获得网络综合性能指标,而后使用统计方法确定了对网络综合性能产生影响的各因素的排序和各因素的最佳取值水平。

摘要：股票价格数据具有高频性、非线性和长记忆性等特点,且投资者行为是影响股票价格的重要因素,文章引入成交量加权平均价(VWAP)指标刻画投资者行为,并构建了基于卷积神经网络(CNN)与长短期记忆网络(LSTM)的混合预测模型。首先,通过CNN分类模型判定股票指数的波动方向;其次,分别构建LSTM模型对指数上升、下降的具体值进行预测;通过田口正交设计方法对CNN-LSTM模型进行参数优化。静态预测和滚动预测结果表明,CNN-LSTM模型在预测方面有较高的预测准确率和普适性,对于投资者有着较高的参考价值。