原文传递
基于深度学习与迁移学习的连续型铁路大宗货物运价期权定价研究
| 论文题名： | 基于深度学习与迁移学习的连续型铁路大宗货物运价期权定价研究 |
| 关键词： | 大宗货物;铁路运输;运价体系;期权定价;深度学习;迁移学习 |
| 摘要： | 随着铁路货运改革逐步推进，铁路大宗货物运价作为货运市场的一个重要角色，对其进行研究是不可避免的。然而，原有僵硬的运价体系已无法适应当下激烈的市场竞争，科学的铁路大宗货物运价体系应能体现运输价值、反映供求关系以及适应市场竞争。因此，在运输市场多样化需求前提下，丰富和完善铁路大宗货物运输市场化定价理论是铁路运输企业亟需解决的关键问题。据此，本文结合铁路大宗运输市场内在需求，针对现有运价体系展开深入探讨，开发设计基于深度学习与迁移学习的连续型铁路大宗货物运价期权定价模型，以适应激烈的大宗货物运输市场竞争。 首先，在明确铁路大宗货物运价期权定义、交易流程以及分析影响期权价格的影响因素的前提下，构建深度学习下的连续型铁路大宗货物运价期权定价模型——CNN_BI-LSTM并行网络模型，该模型将卷积神经网络（CNN）、双向长短期记忆神经网络（BI-LSTM）与全连接神经网络（FCNN）相结合，并利用并行学习机制实现多特征数据融合，以此对复杂的期权数据进行处理。选择期权数据充足的数据集进行算例研究，结果表明：与Black_Scholes期权定价模型、BP神经网络、CNN、长短期记忆神经网络（LSTM）相比，提出的CNN_BI-LSTM并行网络模型具有较高的预测性能。 其次，针对货运市场存在期权数据匮乏的情况，CNN_BI-LSTM并行网络模型难以保证预测精度，提出基于Two-stageTrAdaBoost.R2_CNN_BI-LSTM的连续型铁路大宗货物运价期权定价模型，该模型融合迁移学习（Two-stageTrAdaBoost.R2算法）知识转移和CNN_BI-LSTM并行网络模型回归的能力，对数据有限的期权数据进行处理。选择期权数据匮乏的数据集进行算例研究，结果表明：与支持向量机回归（SVR）、随机森林（RF）、CNN_BI-LSTM相比，提出的Two-stageTrAdaBoost.R2_CNN_BI-LSTM模型具有更优的结果，可以有效解决期权数据匮乏的定价问题。 |
| 作者： | 王伟 |
| 专业： | 工业工程 |
| 导师： | 郭经纬;赵嵩森 |
| 授予学位： | 硕士 |
| 授予学位单位： | 河南理工大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
