基于LSTM神经网络的金融时间序列预测

被引：79

作者：

欧阳红兵 ^{[1
,2
]}

黄亢 ^{[1
]}

闫洪举 ^{[3
]}

机构：

[1] 华中科技大学经济学院

[2] 湖北省产业升级与区域金融协同创新中心

[3] 中国农业银行博士后科研工作站

来源：

中国管理科学 | 2020年 / 28卷 / 04期

关键词：

长短期记忆神经网络; 小波分析; 深度学习; 金融时间序列预测;

D O I：

10.16381/j.cnki.issn1003-207x.2020.04.003

中图分类号：

F831.51 []; TP18 [人工智能理论]; O211.61 [平稳过程与二阶矩过程];

学科分类号：

020202 ; 081104 ; 0812 ; 0835 ; 1405 ; 020208 ; 070103 ; 0714 ;

摘要：

本文提出将小波分析与纳入时间序列依赖特征的长短期记忆(LSTM)神经网络相结合,构建金融时间序列数据预测模型,以克服现有模型对金融时间序列数据非平稳、非线性、序列相关等复杂特征以及数据间非线性交互关系无法反映的缺陷。同时,以道琼斯工业指数日收盘价为例,探究LSTM神经网络对实际金融时间序列数据的预测能力,比较其与多层感知机、支持向量机、K近邻、GARCH四种模型的预测效果。实证结果表明LSTM神经网络具有更高的预测精度,能够有效预测金融时间序列数据的长短期动态变化趋势,说明了其对金融时间序列数据预测的适用性与有效性。此外,对金融时间序列数据进行小波分解与重构,可有效提高LSTM预测模型的泛化能力,以及对长短期动态趋势的预测精度。

引用

页码：27 / 35

页数：9

共 12 条

[1] FEPA-金融时间序列自适应组合预测模型 [J].

潘和平 ;

张承钊 .

中国管理科学, 2018, 26 (06) :26-38

[2] 基于近邻互信息的SVM-GARCH股票价格预测模型研究 [J].

张贵生 ;

张信东 .

中国管理科学, 2016, 24 (09) :11-20

[3] 基于误差校正的灰色神经网络股票收益率预测 [J].

于志军 ;

杨善林 ;

章政 ;

焦健 .

中国管理科学, 2015, 23 (12) :20-26

[4] 基于小波分析的股指期货高频预测研究 [J].

刘向丽 ;

王旭朋 .

系统工程理论与实践, 2015, 35 (06) :1425-1432

[5] 期货市场能够稳定农产品价格波动吗——基于离散小波变换和GARCH模型的实证研究 [J].

庞贞燕 ;

刘磊 .

金融研究, 2013, (11) :126-139

[6] 深度学习研究综述 [J].

孙志军 ;

薛磊 ;

许阳明 ;

王正 .

计算机应用研究, 2012, 29 (08) :2806-2810

[7] PCA-GA-SVM模型的构建及应用研究——沪深300指数预测精度实证分析 [J].

徐国祥 ;

杨振建 .

数量经济技术经济研究, 2011, 28 (02) :135-147

[8] 基于时间序列GARCH模型的人民币汇率预测 [J].

惠晓峰 ;

柳鸿生 ;

胡伟 ;

何丹青 .

金融研究, 2003, (05) :99-105

[9]

A review of unsupervised feature learning and deep learning for time-series modeling[J] . Martin L?ngkvist,Lars Karlsson,Amy Loutfi.Pattern Recognition Letters . 2013

[10] Forecasting stock indices with back propagation neural network [J].

Wang, Jian-Zhou ;

Wang, Ju-Jie ;

Zhang, Zhe-George ;

Guo, Shu-Po .

EXPERT SYSTEMS WITH APPLICATIONS, 2011, 38 (11) :14346-14355

← 1 2 →