基于深度学习的金融时间序列数据集成预测

摘要：

提出将金融时间序列数据的序列依赖关系以及不同金融市场时间序列数据的局部关联特征纳入同一模型,构建结合卷积神经网络(CNN)以及门控循环单元(GRU)神经网络优势的CNN-GRU神经网络.同时,采用集成经验模态分解和游程判定法,将金融时间序列数据分解与重构为趋势项、低频项和高频项,以构建基于不同频率、不同波动的金融时间序列数据预测模型,继而对不同分量的预测结果集成以得到最终预测结果.实证结果表明,在直接预测中,CNN-GRU神经网络的预测精度高于只考虑序列依赖关系的GRU神经网络和只考虑局部关联特征的CNN.在集成预测中,上证指数的集成预测精度高于深度学习、机器学习算法对上证指数直接预测的精度.

关键词：金融时间序列数据、深度学习、卷积神经网络、门控循环单元神经网络、集成经验模态分解

所属期刊栏目：35

分类号：F830.9(金融、银行)

在线出版日期：2020-05-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：33-41