融合双通路注意力与VT-LSTM的金融时序预测

针对现有研究对金融时序数据短期变化规律捕捉能力不足和预测精度不佳的问题,提出一种基于双通路注意力机制和改进转换门控LSTM(variant transformation-gated LSTM,VT-LSTM)的金融时序预测模型(dual-attention MDWT-CVT-LSTM)。使用多级离散小波变换(MDWT)分解股指序列得到高频和低频数据,并在融合门控单元的LSTM中加入转换门控机制,构造VT-LSTM,其能有效把控短期突变信息。在双通路注意力网络中结合VT-LSTM与一维时序卷积(Conv1D),分别提取不同频度数据的空间局部特征和时序特征,对各子序列进行预测,实现多层级多通路的预测研究。在金融股指数据集和个股数据集上对不同模型进行实验比较,结果表明提出模型预测精度优于其他方法,有良好的可行性。