基于LSTM神经网络的金融时间序列预测

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.

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

所属期刊栏目：28

分类号：F830.91(金融、银行)

资助基金：教育部人文社会科学规划基金课题19YJA790067

在线出版日期：2020-07-10（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：27-35