一种基于深度LSTM和注意力机制的金融数据预测方法
随着互联网的迅速发展,金融市场每日产生了大量在线金融数据,如每日的交易次数以及交易的总金额等.近年来金融市场数据的动态预测成为了研究热点.金融市场数据量大,输入序列较多,且会随着时间发生变化.针对这些问题,文中提出了基于深度 LSTM和注意力机制的金融数据预测模型.首先,该模型能处理复杂的金融市场数据输入,主要是多序列的输入;其次,该模型使用深度 LSTM网络对金融数据进行建模,解决了数据间长依赖的问题,并能学习到更加复杂的市场动态特征;最后,该模型引入了注意力机制,使得不同时间的数据对预测的重要程度不同,预测更加精准.在真实的金融大数据集上的实验表明,所提模型在动态预测领域具有准确性高、稳定性好的特点.
金融预测、深层LSTM、注意力机制、序列模型
47
TP391(计算技术、计算机技术)
国家自然科学基金项目;广西科技重大专项
2020-12-28(万方平台首次上网日期,不代表论文的发表时间)
共6页
125-130