基于经验模态分解生成对抗网络的金融时间序列预测

发布时间：2020-10-23 17:23

　　 生成对抗网络(GAN)在进行时间序列预测时存在预测精度不高、模型不稳定等问题。针对上述问题,提出经验模态分解生成对抗网络(EMD-WGAN)模型。该模型在保留WGAN-GP优点的基础上,由经验模态分解(EMD)与长短期记忆神经网络(LSTM)结合作为生成器,卷积神经网络(CNN)作为判别器;将WGAN-GP生成器损失函数与均方误差结合作为生成器的目标函数,以提高模型稳定性;基于2002年-2019年的沪深300指数对该模型的生成器和判别器进行对抗训练。通过与典型的金融时间序列预测方法对比,实验结果表明:该模型具有更小的预测误差。
【部分图文】：

EMD-WGAN结构

本文采用CNN作为判别模型,结构如图2所示。判别模型的作用是判别输入数据是真实数据还是生成模型的生成数据,相当于一个二分类器。因为CNN具有良好的特征提取能力,并且在分类任务上表现良好,所以判别模型采用CNN。CNN是一种深度前馈神经网络,由输入层、输出层和多个隐藏层组成,其中隐藏层包括卷积层、池化层、全连接层。首先输入层输入数据,然后卷积层通过卷积运算提取特征,池化层进行特征降维、压缩数据和参数,防止过拟合,最后经过全连接层连接并进行输出。

为了进一步验证本文算法的有效性,我们选取了最近一年LSTM、WGAN-GP、EMD-WGAN预测值与真实值的误差进行对比,如图4所示。可以看出EMD-WGAN的整体误差最小,LSTM最差。但是在2019年1月-2019年3月,LSTM和EMD-WGAN误差接近且比WGAN-GP误差小,结合图3可以看出,在这段时间内有一个较大的转折点说明对于突变数据LSTM和EMD-WGAN拟合的效果比WAGN好。由表1可以看出,从MAE、MSE、MAPE和RMSE这四个指标上来看,本文算法最优,WGAN-GP次之,LSTM效果最差。本文算法和WGAN-GP相比,加入经验模态分解后能够更好地捕捉金融时间序列的非线性特征,降低了预测误差。
【相似文献】

相关期刊论文 前10条

1 何萧玲;时间序列预测的一个前馈神经网络模型[J];福州大学学报(自然科学版);2001年04期

2 张志鹏;王伟平;郑海超;;卡尔曼滤波及其在时间序列预测中的应用[J];仪表技术;2010年07期

3 江胜菊;王涛;;一型模糊逻辑系统在时间序列预测中的应用[J];辽宁工业大学学报(自然科学版);2012年05期

4 朱丹;;“时间序列预测”教学探讨[J];中山大学学报论丛;2005年06期

5 王鸿绪;陈德广;过建春;金海龙;;基于逆模糊数的模糊时间序列预测的新方法[J];数学的实践与认识;2015年07期

6 杨月英;马萍;;基于灰色时间序列预测中国汽车销量[J];湖州职业技术学院学报;2012年01期

7 沈浩;邓梦曦;;预则立——时间序列预测技术之广电业务应用[J];中国数字电视;2011年10期

8 陈熙源,程启明,万德钧,余勇;神经网络时间序列预测及其工程应用[J];应用科学学报;1999年02期

9 何亚磊;许乾坤;;时间序列预测技术综述[J];信息通信;2018年11期

10 吴萌;徐全智;;支持向量机在金融时间序列预测中的应用[J];电子科技大学学报;2007年S1期

相关博士学位论文 前8条

1 柳天虹;工业大数据时间序列预测方法研究及应用[D];东南大学;2018年

2 吕盛祥;基于集成回声状态网络的时间序列预测问题研究[D];华中科技大学;2019年

3 王威娜;基于模糊理论的时间序列预测研究[D];大连理工大学;2016年

4 许美玲;基于回声状态网络的多元时间序列预测研究[D];大连理工大学;2016年

5 李嵩松;基于隐马尔可夫模型和计算智能的股票价格时间序列预测[D];哈尔滨工业大学;2011年

6 郭刚;股票智能预测决策研究及应用[D];西北工业大学;2000年

7 邵敏强;复杂激励环境下分布式结构的振动主动控制研究[D];南京航空航天大学;2012年

8 赵鹏飞;混沌数据恢复与非线性系统的模型参考控制[D];吉林大学;2010年

相关硕士学位论文 前10条

1 权钲杰;基于深度神经网络集成和信息论学习的时间序列预测[D];浙江大学;2019年

2 鹿天柱;基于深度学习的时间序列预测与分类方法[D];华南理工大学;2019年

3 赵军豪;融合新闻事件和深度学习的时间序列预测方法研究[D];华中科技大学;2019年

4 刘恒;基于神经网络模型的股票时间序列预测研究[D];兰州交通大学;2019年

5 周翔宇;基于深度信念网络的时间序列预测研究[D];南京信息工程大学;2019年

6 吴铭实;基于QPSO-RPNN的时间序列预测与程序化交易研究[D];厦门大学;2018年

7 王刚;基于极限学习机的时间序列预测[D];沈阳工业大学;2019年

8 王锦涛;基于LSTM混合模型的金融时间序列预测研究[D];郑州大学;2019年

9 李妮;基于深度信念网络的时间序列预测研究[D];西安理工大学;2019年

10 樊树铭;基于ELM改进层集成架构的时间序列预测研究[D];新疆大学;2019年

本文编号：2853323