基于LSTM神经网络的金融时间序列预测

发布时间：2020-12-06 18:33

　　本文提出将小波分析与纳入时间序列依赖特征的长短期记忆(LSTM)神经网络相结合,构建金融时间序列数据预测模型,以克服现有模型对金融时间序列数据非平稳、非线性、序列相关等复杂特征以及数据间非线性交互关系无法反映的缺陷。同时,以道琼斯工业指数日收盘价为例,探究LSTM神经网络对实际金融时间序列数据的预测能力,比较其与多层感知机、支持向量机、K近邻、GARCH四种模型的预测效果。实证结果表明LSTM神经网络具有更高的预测精度,能够有效预测金融时间序列数据的长短期动态变化趋势,说明了其对金融时间序列数据预测的适用性与有效性。此外,对金融时间序列数据进行小波分解与重构,可有效提高LSTM预测模型的泛化能力,以及对长短期动态趋势的预测精度。 

【文章来源】：中国管理科学. 2020年04期 第27-35页 北大核心CSSCI

【文章页数】：9 页

【部分图文】：

ANN架构

RNN架构

RNN可以反映金融时间序列数据的序列相关特征,但存在梯度消失或梯度爆炸问题,其对金融时间序列数据历史信息的挖掘是十分有限的。而长短期记忆(LSTM)神经网络则是一种能够很好地处理时间序列数据长期依赖性的特殊RNN。LSTM神经网络结构(图3所示)包含一系列循环连接的子网络(即记忆模块),每个记忆模块包含一个或多个自连接的细胞(cell),以及控制信息流动的输入门、输出门和遗忘门三个门限单元系统。在LSTM网络中,其执行步骤可以概括为:首先,通过遗忘门(forget gate)ft决定从细胞中所需剔除的信息,

【参考文献】：
期刊论文
[1]FEPA-金融时间序列自适应组合预测模型[J]. 潘和平,张承钊.  中国管理科学. 2018(06)
[2]基于近邻互信息的SVM-GARCH股票价格预测模型研究[J]. 张贵生,张信东.  中国管理科学. 2016(09)
[3]基于误差校正的灰色神经网络股票收益率预测[J]. 于志军,杨善林,章政,焦健.  中国管理科学. 2015(12)
[4]基于小波分析的股指期货高频预测研究[J]. 刘向丽,王旭朋.  系统工程理论与实践. 2015(06)
[5]期货市场能够稳定农产品价格波动吗——基于离散小波变换和GARCH模型的实证研究[J]. 庞贞燕,刘磊.  金融研究. 2013(11)
[6]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)
[7]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)
[8]基于时间序列GARCH模型的人民币汇率预测[J]. 惠晓峰,柳鸿生,胡伟,何丹青.  金融研究. 2003(05)



本文编号：2901845