生成對(duì)抗網(wǎng)絡(luò)(GAN)在進(jìn)行時(shí)間序列預(yù)測(cè)時(shí)存在預(yù)測(cè)精度不高、模型不穩(wěn)定等問題。針對(duì)上述問題,提出經(jīng)驗(yàn)?zāi)B(tài)分解生成對(duì)抗網(wǎng)絡(luò)(EMD-WGAN)模型。該模型在保留WGAN-GP優(yōu)點(diǎn)的基礎(chǔ)上,由經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)與長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)結(jié)合作為生成器,卷積神經(jīng)網(wǎng)絡(luò)(CNN)作為判別器;將WGAN-GP生成器損失函數(shù)與均方誤差結(jié)合作為生成器的目標(biāo)函數(shù),以提高模型穩(wěn)定性;基于2002年-2019年的滬深300指數(shù)對(duì)該模型的生成器和判別器進(jìn)行對(duì)抗訓(xùn)練。通過與典型的金融時(shí)間序列預(yù)測(cè)方法對(duì)比,實(shí)驗(yàn)結(jié)果表明:該模型具有更小的預(yù)測(cè)誤差。
【部分圖文】：

EMD-WGAN結(jié)構(gòu)

本文采用CNN作為判別模型,結(jié)構(gòu)如圖2所示。判別模型的作用是判別輸入數(shù)據(jù)是真實(shí)數(shù)據(jù)還是生成模型的生成數(shù)據(jù),相當(dāng)于一個(gè)二分類器。因?yàn)镃NN具有良好的特征提取能力,并且在分類任務(wù)上表現(xiàn)良好,所以判別模型采用CNN。CNN是一種深度前饋神經(jīng)網(wǎng)絡(luò),由輸入層、輸出層和多個(gè)隱藏層組成,其中隱藏層包括卷積層、池化層、全連接層。首先輸入層輸入數(shù)據(jù),然后卷積層通過卷積運(yùn)算提取特征,池化層進(jìn)行特征降維、壓縮數(shù)據(jù)和參數(shù),防止過擬合,最后經(jīng)過全連接層連接并進(jìn)行輸出。

為了進(jìn)一步驗(yàn)證本文算法的有效性,我們選取了最近一年LSTM、WGAN-GP、EMD-WGAN預(yù)測(cè)值與真實(shí)值的誤差進(jìn)行對(duì)比,如圖4所示�？梢钥闯鯡MD-WGAN的整體誤差最小,LSTM最差。但是在2019年1月-2019年3月,LSTM和EMD-WGAN誤差接近且比WGAN-GP誤差小,結(jié)合圖3可以看出,在這段時(shí)間內(nèi)有一個(gè)較大的轉(zhuǎn)折點(diǎn)說明對(duì)于突變數(shù)據(jù)LSTM和EMD-WGAN擬合的效果比WAGN好。由表1可以看出,從MAE、MSE、MAPE和RMSE這四個(gè)指標(biāo)上來看,本文算法最優(yōu),WGAN-GP次之,LSTM效果最差。本文算法和WGAN-GP相比,加入經(jīng)驗(yàn)?zāi)B(tài)分解后能夠更好地捕捉金融時(shí)間序列的非線性特征,降低了預(yù)測(cè)誤差。
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 何蕭玲;時(shí)間序列預(yù)測(cè)的一個(gè)前饋神經(jīng)網(wǎng)絡(luò)模型[J];福州大學(xué)學(xué)報(bào)(自然科學(xué)版);2001年04期

2 張志鵬;王偉平;鄭海超;;卡爾曼濾波及其在時(shí)間序列預(yù)測(cè)中的應(yīng)用[J];儀表技術(shù);2010年07期

3 江勝菊;王濤;;一型模糊邏輯系統(tǒng)在時(shí)間序列預(yù)測(cè)中的應(yīng)用[J];遼寧工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年05期

4 朱丹;;“時(shí)間序列預(yù)測(cè)”教學(xué)探討[J];中山大學(xué)學(xué)報(bào)論叢;2005年06期

5 王鴻緒;陳德廣;過建春;金海龍;;基于逆模糊數(shù)的模糊時(shí)間序列預(yù)測(cè)的新方法[J];數(shù)學(xué)的實(shí)踐與認(rèn)識(shí);2015年07期

6 楊月英;馬萍;;基于灰色時(shí)間序列預(yù)測(cè)中國汽車銷量[J];湖州職業(yè)技術(shù)學(xué)院學(xué)報(bào);2012年01期

7 沈浩;鄧夢(mèng)曦;;預(yù)則立——時(shí)間序列預(yù)測(cè)技術(shù)之廣電業(yè)務(wù)應(yīng)用[J];中國數(shù)字電視;2011年10期

8 陳熙源,程啟明,萬德鈞,余勇;神經(jīng)網(wǎng)絡(luò)時(shí)間序列預(yù)測(cè)及其工程應(yīng)用[J];應(yīng)用科學(xué)學(xué)報(bào);1999年02期

9 何亞磊;許乾坤;;時(shí)間序列預(yù)測(cè)技術(shù)綜述[J];信息通信;2018年11期

10 吳萌;徐全智;;支持向量機(jī)在金融時(shí)間序列預(yù)測(cè)中的應(yīng)用[J];電子科技大學(xué)學(xué)報(bào);2007年S1期

相關(guān)博士學(xué)位論文 前8條

1 柳天虹;工業(yè)大數(shù)據(jù)時(shí)間序列預(yù)測(cè)方法研究及應(yīng)用[D];東南大學(xué);2018年

2 呂盛祥;基于集成回聲狀態(tài)網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)問題研究[D];華中科技大學(xué);2019年

3 王威娜;基于模糊理論的時(shí)間序列預(yù)測(cè)研究[D];大連理工大學(xué);2016年

4 許美玲;基于回聲狀態(tài)網(wǎng)絡(luò)的多元時(shí)間序列預(yù)測(cè)研究[D];大連理工大學(xué);2016年

5 李嵩松;基于隱馬爾可夫模型和計(jì)算智能的股票價(jià)格時(shí)間序列預(yù)測(cè)[D];哈爾濱工業(yè)大學(xué);2011年

6 郭剛;股票智能預(yù)測(cè)決策研究及應(yīng)用[D];西北工業(yè)大學(xué);2000年

7 邵敏強(qiáng);復(fù)雜激勵(lì)環(huán)境下分布式結(jié)構(gòu)的振動(dòng)主動(dòng)控制研究[D];南京航空航天大學(xué);2012年

8 趙鵬飛;混沌數(shù)據(jù)恢復(fù)與非線性系統(tǒng)的模型參考控制[D];吉林大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 權(quán)鉦杰;基于深度神經(jīng)網(wǎng)絡(luò)集成和信息論學(xué)習(xí)的時(shí)間序列預(yù)測(cè)[D];浙江大學(xué);2019年

2 鹿天柱;基于深度學(xué)習(xí)的時(shí)間序列預(yù)測(cè)與分類方法[D];華南理工大學(xué);2019年

3 趙軍豪;融合新聞事件和深度學(xué)習(xí)的時(shí)間序列預(yù)測(cè)方法研究[D];華中科技大學(xué);2019年

4 劉恒;基于神經(jīng)網(wǎng)絡(luò)模型的股票時(shí)間序列預(yù)測(cè)研究[D];蘭州交通大學(xué);2019年

5 周翔宇;基于深度信念網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)研究[D];南京信息工程大學(xué);2019年

6 吳銘實(shí);基于QPSO-RPNN的時(shí)間序列預(yù)測(cè)與程序化交易研究[D];廈門大學(xué);2018年

7 王剛;基于極限學(xué)習(xí)機(jī)的時(shí)間序列預(yù)測(cè)[D];沈陽工業(yè)大學(xué);2019年

8 王錦濤;基于LSTM混合模型的金融時(shí)間序列預(yù)測(cè)研究[D];鄭州大學(xué);2019年

9 李妮;基于深度信念網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)研究[D];西安理工大學(xué);2019年

10 樊樹銘;基于ELM改進(jìn)層集成架構(gòu)的時(shí)間序列預(yù)測(cè)研究[D];新疆大學(xué);2019年

本文編號(hào)：2853323