提出將金融時間序列數(shù)據(jù)的序列依賴關(guān)系以及不同金融市場時間序列數(shù)據(jù)的局部關(guān)聯(lián)特征納入同一模型,構(gòu)建結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（CNN）以及門控循環(huán)單元（GRU）神經(jīng)網(wǎng)絡(luò)優(yōu)勢的CNN-GRU神經(jīng)網(wǎng)絡(luò)。同時,采用集成經(jīng)驗模態(tài)分解和游程判定法,將金融時間序列數(shù)據(jù)分解與重構(gòu)為趨勢項、低頻項和高頻項,以構(gòu)建基于不同頻率、不同波動的金融時間序列數(shù)據(jù)預測模型,繼而對不同分量的預測結(jié)果集成以得到最終預測結(jié)果。實證結(jié)果表明,在直接預測中,CNN-GRU神經(jīng)網(wǎng)絡(luò)的預測精度高于只考慮序列依賴關(guān)系的GRU神經(jīng)網(wǎng)絡(luò)和只考慮局部關(guān)聯(lián)特征的CNN。在集成預測中,上證指數(shù)的集成預測精度高于深度學習、機器學習算法對上證指數(shù)直接預測的精度。 

【文章來源】：統(tǒng)計與信息論壇. 2020,35(04)北大核心CSSCI

【文章頁數(shù)】：9 頁

【文章目錄】：
一、引 言
二、研究方法與理論基礎(chǔ)
    （一）時間序列數(shù)據(jù)的分解與重構(gòu)
    （二）CNN-GRU神經(jīng)網(wǎng)絡(luò)
三、實證探究
    （一）特征向量選擇以及數(shù)據(jù)說明
    （二）EEMD分解與IMF重構(gòu)
    （三）直接預測效果探究
    （四）集成預測效果探究
四、結(jié) 論


【參考文獻】：
期刊論文
[1]基于深度學習的上證綜指波動率預測效果比較研究[J]. 陳衛(wèi)華.  統(tǒng)計與信息論壇. 2018(05)
[2]隨鉆核磁共振自旋回波數(shù)據(jù)聯(lián)合編碼壓縮方法[J]. 孫偉峰,李荷鑫,李新,倪衛(wèi)寧,張衛(wèi),戴永壽.  電子測量與儀器學報. 2018(01)
[3]基于EEMD的投資者情緒與股指波動的關(guān)系研究[J]. 李合龍,馮春娥.  系統(tǒng)工程理論與實踐. 2014(10)
[4]基于EEMD-SVM方法的光伏電站短期出力預測[J]. 茆美琴,龔文劍,張榴晨,曹雨,徐海波.  中國電機工程學報. 2013(34)
[5]上證綜指波動特征及收益率影響因素研究——基于EEMD和VAR模型分析[J]. 王曉芳,王瑞君.  南開經(jīng)濟研究. 2012(06)
[6]PCA-GA-SVM模型的構(gòu)建及應用研究——滬深300指數(shù)預測精度實證分析[J]. 徐國祥,楊振建.  數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究. 2011(02)
[7]一種基于EMD的短期風速多步預測方法[J]. 劉興杰,米增強,楊奇遜,樊小偉.  電工技術(shù)學報. 2010(04)
[8]基于非線性時間序列分析經(jīng)驗模態(tài)分解和小波分解異同性的研究[J]. 龔志強,鄒明瑋,高新全,董文杰.  物理學報. 2005(08)



本文編號：2986971