發(fā)布時(shí)間：2020-12-06 18:33

　　本文提出將小波分析與納入時(shí)間序列依賴特征的長(zhǎng)短期記憶(LSTM)神經(jīng)網(wǎng)絡(luò)相結(jié)合,構(gòu)建金融時(shí)間序列數(shù)據(jù)預(yù)測(cè)模型,以克服現(xiàn)有模型對(duì)金融時(shí)間序列數(shù)據(jù)非平穩(wěn)、非線性、序列相關(guān)等復(fù)雜特征以及數(shù)據(jù)間非線性交互關(guān)系無法反映的缺陷。同時(shí),以道瓊斯工業(yè)指數(shù)日收盤價(jià)為例,探究LSTM神經(jīng)網(wǎng)絡(luò)對(duì)實(shí)際金融時(shí)間序列數(shù)據(jù)的預(yù)測(cè)能力,比較其與多層感知機(jī)、支持向量機(jī)、K近鄰、GARCH四種模型的預(yù)測(cè)效果。實(shí)證結(jié)果表明LSTM神經(jīng)網(wǎng)絡(luò)具有更高的預(yù)測(cè)精度,能夠有效預(yù)測(cè)金融時(shí)間序列數(shù)據(jù)的長(zhǎng)短期動(dòng)態(tài)變化趨勢(shì),說明了其對(duì)金融時(shí)間序列數(shù)據(jù)預(yù)測(cè)的適用性與有效性。此外,對(duì)金融時(shí)間序列數(shù)據(jù)進(jìn)行小波分解與重構(gòu),可有效提高LSTM預(yù)測(cè)模型的泛化能力,以及對(duì)長(zhǎng)短期動(dòng)態(tài)趨勢(shì)的預(yù)測(cè)精度。 

【文章來源】：中國管理科學(xué). 2020年04期 第27-35頁 北大核心CSSCI

【文章頁數(shù)】：9 頁

【部分圖文】：

ANN架構(gòu)

RNN架構(gòu)

RNN可以反映金融時(shí)間序列數(shù)據(jù)的序列相關(guān)特征,但存在梯度消失或梯度爆炸問題,其對(duì)金融時(shí)間序列數(shù)據(jù)歷史信息的挖掘是十分有限的。而長(zhǎng)短期記憶(LSTM)神經(jīng)網(wǎng)絡(luò)則是一種能夠很好地處理時(shí)間序列數(shù)據(jù)長(zhǎng)期依賴性的特殊RNN。LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)(圖3所示)包含一系列循環(huán)連接的子網(wǎng)絡(luò)(即記憶模塊),每個(gè)記憶模塊包含一個(gè)或多個(gè)自連接的細(xì)胞(cell),以及控制信息流動(dòng)的輸入門、輸出門和遺忘門三個(gè)門限單元系統(tǒng)。在LSTM網(wǎng)絡(luò)中,其執(zhí)行步驟可以概括為:首先,通過遺忘門(forget gate)ft決定從細(xì)胞中所需剔除的信息,

【參考文獻(xiàn)】：
期刊論文
[1]FEPA-金融時(shí)間序列自適應(yīng)組合預(yù)測(cè)模型[J]. 潘和平,張承釗.  中國管理科學(xué). 2018(06)
[2]基于近鄰互信息的SVM-GARCH股票價(jià)格預(yù)測(cè)模型研究[J]. 張貴生,張信東.  中國管理科學(xué). 2016(09)
[3]基于誤差校正的灰色神經(jīng)網(wǎng)絡(luò)股票收益率預(yù)測(cè)[J]. 于志軍,楊善林,章政,焦健.  中國管理科學(xué). 2015(12)
[4]基于小波分析的股指期貨高頻預(yù)測(cè)研究[J]. 劉向麗,王旭朋.  系統(tǒng)工程理論與實(shí)踐. 2015(06)
[5]期貨市場(chǎng)能夠穩(wěn)定農(nóng)產(chǎn)品價(jià)格波動(dòng)嗎——基于離散小波變換和GARCH模型的實(shí)證研究[J]. 龐貞燕,劉磊.  金融研究. 2013(11)
[6]深度學(xué)習(xí)研究綜述[J]. 孫志軍,薛磊,許陽明,王正.  計(jì)算機(jī)應(yīng)用研究. 2012(08)
[7]PCA-GA-SVM模型的構(gòu)建及應(yīng)用研究——滬深300指數(shù)預(yù)測(cè)精度實(shí)證分析[J]. 徐國祥,楊振建.  數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究. 2011(02)
[8]基于時(shí)間序列GARCH模型的人民幣匯率預(yù)測(cè)[J]. 惠曉峰,柳鴻生,胡偉,何丹青.  金融研究. 2003(05)



本文編號(hào)：2901845