基于t分布的贝叶斯深度学习模型及其应用
贝叶斯深度学习(BDL)融合了贝叶斯方法与深度学习(DL)的互补优势,成为复杂问题中不确定性建模与推断的强大工具.本文构建了基于t分布和循环随机梯度汉密尔顿蒙特卡罗采样算法的BDL框架,并基于数据不确定性和模型定不确定性给出了不确定性的度量.为了验证模型框架的有效性和适用性,我们分别基于人工神经网络(ANN)、卷积神经网络(CNN)和循环神经网络(RNN)构建了相应的BDL模型,并将模型应用于全球15个股票指数预测,实证结果显示:1)该框架在ANN、CNN和RNN下均适用,对全部指数的预测效果均很出色;2)在预测精度和通用性方面,基于t分布BDL的模型比基于正态分布的BDL模型具有显著优越性;3)在给定不确定性阈值之下的预测MAE比初始MAE显著提升,表明文中定义的不确定性是有效的,对不确定性建模具有重要意义.鉴于该BDL框架在预测精度、易于拓展和具备提供预测不确定性度量的优势,其在金融和其他具有复杂数据特征的领域均有广阔的应用前景.
贝叶斯深度学习、随机梯度汉密尔顿蒙特卡罗、不确定性
31
TP391.41;TP181;TN911.7
国家自然科学基金;贵州财经大学引进人才科研启动项目;贵州省科学技术基金;贵州省教育厅创新群体项目;贵州省大数据统计分析重点实验室资助项目
2022-11-16(万方平台首次上网日期,不代表论文的发表时间)
共9页
330-338