作為深度學(xué)習(xí)技術(shù)的經(jīng)典模型之一,長短期記憶(LSTM)神經(jīng)網(wǎng)絡(luò)在挖掘序列數(shù)據(jù)長期依賴關(guān)系中極具優(yōu)勢�；谏疃壬窠�(jīng)網(wǎng)絡(luò)優(yōu)化技術(shù),本文構(gòu)造了一個深層LSTM神經(jīng)網(wǎng)絡(luò)并將其應(yīng)用于全球30個股票指數(shù)三種不同期限的預(yù)測研究,結(jié)果發(fā)現(xiàn):①LSTM神經(jīng)網(wǎng)絡(luò)具有很強的泛化能力,對全部指數(shù)不同期限的預(yù)測效果均很穩(wěn)定;②相比三種對照模型(SVR、MLP和ARIMA),LSTM神經(jīng)網(wǎng)絡(luò)具有優(yōu)秀的預(yù)測精度,其對全部指數(shù)的平均預(yù)測精度在不同期限上均有提升;③LSTM神經(jīng)網(wǎng)絡(luò)能夠有效控制誤差波動,相比三種對照模型,其對全部指數(shù)的平均預(yù)測穩(wěn)定度在不同期限上亦均有提高。鑒于LSTM神經(jīng)網(wǎng)絡(luò)在預(yù)測精度和穩(wěn)定度兩方面的優(yōu)勢,其未來在金融預(yù)測等方向?qū)⒂袕V闊的應(yīng)用前景。

【文章頁數(shù)】：13 頁

【文章目錄】：
一、引言
二、模型構(gòu)建
    (一) LSTM神經(jīng)元結(jié)構(gòu)
    (二) LSTM神經(jīng)網(wǎng)絡(luò)的構(gòu)建
    (三) 訓(xùn)練方法及優(yōu)化器選擇
三、數(shù)據(jù)來源及樣本選擇
    (一) 數(shù)據(jù)來源及描述
    (二) 總樣本區(qū)間及訓(xùn)練集、測試集劃分
四、預(yù)測方法及思路
    (一) LSTM神經(jīng)網(wǎng)絡(luò)方法及預(yù)測思路
    (二) 非線性對照模型 (SVR模型及MLP神經(jīng)網(wǎng)絡(luò)) 及預(yù)測思路
    (三) 線性對照模型 (ARIMA模型) 及預(yù)測思路
五、實證研究
    (一) 測試集預(yù)測效果評估指標(biāo)構(gòu)建
    (二) 短期預(yù)測結(jié)果比較分析
    (三) 中期預(yù)測結(jié)果比較分析
    (四) 長期預(yù)測結(jié)果比較分析
    (五) LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測效果比較分析
六、結(jié)論及政策建議



本文編號：3934502