基于LSTM混合模型的金融时间序列预测研究

发布时间：2020-04-10 02:05

【摘要】：挖掘金融市场的运动规律,并准确地预测金融市场的走势有助于金融投资者制定出低风险、高收益的投资策略。因此,金融时间序列预测的相关研究一直都在进行,而且备受关注。然而,金融数据作为一种时间序列数据具有非线性、非平稳以及高噪声的特性,使得金融时间序列预测被世界公认为最具有挑战性的时间序列预测任务。如何准确地判断金融市场的走势是金融研究人员始终都在研究但尚未完全攻克的难题。随着深度学习方法在各行各业取得了突破性的进展,越来越多的金融研究人员将深度学习方法应用于金融时间序列预测的研究中。本文基于深度学习方法对金融时间序列预测问题进行研究,并以股票金融数据为预测对象,以收盘价格为预测目标,设计了两种基于深度学习的时间序列预测模型——单流网络预测模型和双流网络预测模型。其中,每条特征流网络都是基于LSTM混合模型所实现的。单流网络预测模型主要用于预测金融市场的股价指数,该模型由基于WDAE-LSTM混合模型的自趋势流构成。该模型通过将小波降噪模块、降噪自编码器模块以及长短期记忆网络模块相结合,对金融市场股价指数序列的自身趋势特征进行提取。实验结果表明,与其它类似的预测模型相比,本文所设计的单流网络预测模型在金融股价指数序列预测中有更高的预测精度,在实际金融分析中更有应用价值。双流网络预测模型主要针对单支股票价格进行预测。该模型是通过在单流网络预测模型的基础上引入互趋势流实现的。互趋势流的作用是利用由小波主成分分析降噪模块和长短期记忆网络模块构成的WPCA-LSTM混合模型,从多支金融时间序列间提取相关趋势特征。双流网络预测模型通过将自身趋势特征和相关趋势特征相融合,提高对单支股票价格序列的预测精度。实验结果表明,双流网络预测模型对单支股票价格序列的预测性能相比于单流网络模型有明显的提升。最后,本文将双流网络预测模型应用于其它时间序列预测中,实验结果表明,该双流网络预测模型对其它时间序列数据的预测表现良好,这意味着本文所设计的双流网络预测模型具有一定的泛用性,可适用于多种时间序列预测分析。
【图文】：

小波降噪,降噪效果,自编码,股票价格

小波降噪降噪效果图

函数曲线,函数曲线

sigmoid函数曲线
【学位授予单位】：郑州大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：O211.61;F830.91

【相似文献】