>> 華安證券-“學海拾珠”系列之一百三十六：基于堆疊自編碼器和長短期記憶網(wǎng)絡的金融時間序列深度學習框架-230413
| 上傳日期： |
2023/4/14 |
大?。?/td>
| 5381KB |
| 格式： |
pdf 共28頁 |
來源： |
華安證券 |
| 評級： |
-- |
作者： |
嚴佳煒,駱昱杉 |
| 下載權限： |
無限制-登錄即可下載 |
|
|
本篇是“學海拾珠”系列第一百三十六篇，本文提出了一種深度學習算法在股價預測中的應用框架。近年來，深度學習算法得到了長足的發(fā)展。過去已有一些機器學習算法用于金融時間序列預測的相關案例，但關于深度學習在金融市場預測中應用的討論仍然較少。本文提出的預測模型由三部分構(gòu)成：Haar小波變換，堆疊自動編碼器和長短期記憶神經(jīng)網(wǎng)絡模型。堆疊自編碼器是模型的主要部分，它是一種無監(jiān)督學習神經(jīng)網(wǎng)絡模型，用來提取金融時間序列的深層抽象特征。具體來說，它是一個由多個單層自編碼器組成的神經(jīng)網(wǎng)絡，其中每一層的輸出特征都作為下一自編碼層的輸入。自編碼器的無監(jiān)督訓練是通過最小化輸入數(shù)據(jù)和重構(gòu)輸出數(shù)據(jù)之間的誤差來完成的，因此自編碼器的隱狀態(tài)是由輸入數(shù)據(jù)中最核心的特征構(gòu)成的，這是堆疊自編碼器能夠有效提取序列特征的根本保證。
金融時間序列包含較強的噪聲和波動性
時間序列預測的目的是通過收集和分析過去的觀測數(shù)據(jù)，建立一個描述其內(nèi)在關系的模型，然后根據(jù)所建立的模型預測變量的未來值。其中，金融時間序列預測，作為投資和財務決策中的一個重要問題，已經(jīng)成為一個活躍的研究領域。然而，由于固有的噪聲、非平穩(wěn)和確定性混沌等特性，金融時間序列預測被認為是現(xiàn)代時間序列預測中最具挑戰(zhàn)性的應用領域之一。
統(tǒng)計學時間序列建模方法對于序列平穩(wěn)性要求較高
在金融時間序列分析領域，研究人員經(jīng)常需要解決序列不平穩(wěn)而帶來的一系列問題，統(tǒng)計學建模方法通常要求序列是平穩(wěn)序列，對于非平穩(wěn)序列則通常需要進行一些操作尋找其中地平穩(wěn)特征，這是因為研究人員通常難以直接建立序列與時間之間的高度非線性映射，而神經(jīng)網(wǎng)絡模型有強大地擬合非線性函數(shù)的能力。
神經(jīng)網(wǎng)絡模型智能化地提取數(shù)據(jù)中的重要特征
在數(shù)據(jù)挖掘的過程中，特征工程是非常重要的一個環(huán)節(jié)，經(jīng)過這一過程，原始數(shù)據(jù)被轉(zhuǎn)化為能更好地表達問題本質(zhì)的數(shù)字特征，特征提取的質(zhì)量直接影響到結(jié)果的準確性，神經(jīng)網(wǎng)絡模型讓這一過程變得更加快捷和智能化。
風險提示
文獻結(jié)論基于歷史數(shù)據(jù)與海外文獻進行總結(jié)；不構(gòu)成任何投資建議。
|
|
