本文提出將小波分析與納入時間序列依賴特征的長短期記憶(LSTM)神經(jīng)網(wǎng)絡相結合,構建金融時間序列數(shù)據(jù)預測模型,以克服現(xiàn)有模型對金融時間序列數(shù)據(jù)非平穩(wěn)、非線性、序列相關等復雜特征以及數(shù)據(jù)間非線性交互關系無法反映的缺陷。同時,以道瓊斯工業(yè)指數(shù)日收盤價為例,探究LSTM神經(jīng)網(wǎng)絡對實際金融時間序列數(shù)據(jù)的預測能力,比較其與多層感知機、支持向量機、K近鄰、GARCH四種模型的預測效果。實證結果表明LSTM神經(jīng)網(wǎng)絡具有更高的預測精度,能夠有效預測金融時間序列數(shù)據(jù)的長短期動態(tài)變化趨勢,說明了其對金融時間序列數(shù)據(jù)預測的適用性與有效性。此外,對金融時間序列數(shù)據(jù)進行小波分解與重構,可有效提高LSTM預測模型的泛化能力,以及對長短期動態(tài)趨勢的預測精度。 

【文章來源】：中國管理科學. 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

RNN架構

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

【參考文獻】：
期刊論文
[1]FEPA-金融時間序列自適應組合預測模型[J]. 潘和平,張承釗.  中國管理科學. 2018(06)
[2]基于近鄰互信息的SVM-GARCH股票價格預測模型研究[J]. 張貴生,張信東.  中國管理科學. 2016(09)
[3]基于誤差校正的灰色神經(jīng)網(wǎng)絡股票收益率預測[J]. 于志軍,楊善林,章政,焦健.  中國管理科學. 2015(12)
[4]基于小波分析的股指期貨高頻預測研究[J]. 劉向麗,王旭朋.  系統(tǒng)工程理論與實踐. 2015(06)
[5]期貨市場能夠穩(wěn)定農產品價格波動嗎——基于離散小波變換和GARCH模型的實證研究[J]. 龐貞燕,劉磊.  金融研究. 2013(11)
[6]深度學習研究綜述[J]. 孫志軍,薛磊,許陽明,王正.  計算機應用研究. 2012(08)
[7]PCA-GA-SVM模型的構建及應用研究——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)濟技術經(jīng)濟研究. 2011(02)
[8]基于時間序列GARCH模型的人民幣匯率預測[J]. 惠曉峰,柳鴻生,胡偉,何丹青.  金融研究. 2003(05)



本文編號：2901845