预测经济和金融时间序列：ARIMA与LSTM模型的比较

发布时间：2022-08-11 14:02

　　预测时间序列数据是经济学、商业和金融学中的一个重要主题。ARIMA模型在预测下一个时间序列滞后的精度和准确性方面表现出色。随着计算机计算能力的发展,产生了基于深度学习的新算法来预测时间序列数据,如长短期记忆（LSTM）。通过实证研究,基于深度学习的算法（如LSTM）优于传统算法,与ARIMA相比,LSTM获得的错误率平均降低在84%～87%之间,表明了LSTM对ARIMA的优越性。 

【文章页数】：2 页

【文章目录】：
1 研究背景
2 时间序列预测
3 模型背景
4 长短期记忆（LSTM)
5 ARIMA与LSTM比较
    5.1 数据来源
    5.2 结果展示
6 结果分析
7 结束语


【参考文献】：
期刊论文
[1]LSTM模型在中国A股市场的应用[J]. 张蜀林,赵雄飞.  全国流通经济. 2018(35)
[2]ARIMA模型在我国GDP预测中的应用[J]. 于连敏.  时代金融. 2017(21)
[3]基于ARIMA模型的金融品种走势预测技术[J]. 王成国,邓仲元,陈海文,蔡志平.  计算机技术与发展. 2015(07)
[4]基于ARIMA模型的金融专业人才需求预测[J]. 陈瑶,余信丰,黄宏.  商场现代化. 2009(14)
[5]中国的通货膨胀预测:基于ARIMA模型的实证分析[J]. 肖曼君,夏荣尧.  上海金融. 2008(08)

硕士论文
[1]基于深度学习的金融市场波动率预测和风险值计算[D]. 于水玲.长春理工大学 2018



本文编号：3674793