基于LSTM模型的金融时间序列预测算法研究

发布时间：2021-06-16 08:18

　　在我国经济飞速发展、科技高速进步的大背景下,金融市场的影响也越来越大,而金融时间序列的分析与预测对投资者的决策有很大的影响。由于金融数据具有非线性、高噪声、非平稳等特点,金融时间序列的预测在经济、数学等学科得到了充分的研究和发展,预测模型也经历了从线性到非线性模型的转变,金融科技（Fintech）应运而生。为了提高金融时间序列预测的准确性,本文提出了一种由自适应噪声的完整集成经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）算法和添加注意力机制（Attention Mechanism,AM）的长短期记忆网络（Long Short Term Memory,LSTM）结合的时间序列预测模型。首先,基于注意力机制对LSTM模型进行改进,充分利用LSTM隐藏层的各个时刻的输出信息,进行注意力分布的计算,对输出信息进行加权。通过与其他模型进行对比,验证了所提出的LSTM-ATTE模型的有效性。接着,研究了经验模态分解（Empirical Mode Decomposition,EMD）... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

RNN的神经网络结构;

RNN的神经网络结构

LSTM的神经网络结构

【参考文献】：
期刊论文
[1]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正.  计算机应用研究. 2012(08)
[2]支持向量机在金融时间序列预测中的应用[J]. 吴萌,徐全智.  电子科技大学学报. 2007(S1)

博士论文
[1]一种金融市场预测的深度学习模型：FEPA模型[D]. 张承钊.电子科技大学 2016

硕士论文
[1]EEMD分解方法在我国股票市场分析预测中的应用[D]. 刘梦怡.山东大学 2018



本文编号：3232723