基于深度学习的金融时间序列数据集成预测

发布时间：2021-01-19 12:16

　　提出将金融时间序列数据的序列依赖关系以及不同金融市场时间序列数据的局部关联特征纳入同一模型,构建结合卷积神经网络（CNN）以及门控循环单元（GRU）神经网络优势的CNN-GRU神经网络。同时,采用集成经验模态分解和游程判定法,将金融时间序列数据分解与重构为趋势项、低频项和高频项,以构建基于不同频率、不同波动的金融时间序列数据预测模型,继而对不同分量的预测结果集成以得到最终预测结果。实证结果表明,在直接预测中,CNN-GRU神经网络的预测精度高于只考虑序列依赖关系的GRU神经网络和只考虑局部关联特征的CNN。在集成预测中,上证指数的集成预测精度高于深度学习、机器学习算法对上证指数直接预测的精度。 

【文章来源】：统计与信息论坛. 2020,35(04)北大核心CSSCI

【文章页数】：9 页

【文章目录】：
一、引 言
二、研究方法与理论基础
    （一）时间序列数据的分解与重构
    （二）CNN-GRU神经网络
三、实证探究
    （一）特征向量选择以及数据说明
    （二）EEMD分解与IMF重构
    （三）直接预测效果探究
    （四）集成预测效果探究
四、结 论


【参考文献】：
期刊论文
[1]基于深度学习的上证综指波动率预测效果比较研究[J]. 陈卫华.  统计与信息论坛. 2018(05)
[2]随钻核磁共振自旋回波数据联合编码压缩方法[J]. 孙伟峰,李荷鑫,李新,倪卫宁,张卫,戴永寿.  电子测量与仪器学报. 2018(01)
[3]基于EEMD的投资者情绪与股指波动的关系研究[J]. 李合龙,冯春娥.  系统工程理论与实践. 2014(10)
[4]基于EEMD-SVM方法的光伏电站短期出力预测[J]. 茆美琴,龚文剑,张榴晨,曹雨,徐海波.  中国电机工程学报. 2013(34)
[5]上证综指波动特征及收益率影响因素研究——基于EEMD和VAR模型分析[J]. 王晓芳,王瑞君.  南开经济研究. 2012(06)
[6]PCA-GA-SVM模型的构建及应用研究——沪深300指数预测精度实证分析[J]. 徐国祥,杨振建.  数量经济技术经济研究. 2011(02)
[7]一种基于EMD的短期风速多步预测方法[J]. 刘兴杰,米增强,杨奇逊,樊小伟.  电工技术学报. 2010(04)
[8]基于非线性时间序列分析经验模态分解和小波分解异同性的研究[J]. 龚志强,邹明玮,高新全,董文杰.  物理学报. 2005(08)



本文编号：2986971