基于AFD-LSTM模型的金融信号去噪与预测

旨在提高金融时间序列数据预测的准确性,提出了将自适应Fourier分解(AFD)方法和长短时记忆神经网络模型(LSTM)相结合的预测模型。AFD是一种信号处理方法,拥有Fourier变换所不具备的自适应性,可以快速提取金融信号的特征,达到去除信号噪声污染的目的。而LSTM模型可以挖掘时间序列数据的依赖关系,对于存在长记忆性的金融时间序列数据的预测十分有效。基于AFD-LSTM方法以美元兑人民币汇率,深证700股票指数,伦敦黄金现价和广东省碳排放配额(GDEA)价格四种金融信号数据为研究对象进行了实证分析,并将其和自适应噪声完备经验模态分解方法(CEEMDAN)进行对比。结果表明,基于AFD方法去噪后的金融数据所训练的LSTM网络模型具有较高的预测精度,不依赖于LSTM模型的层数参数,稳定性较强。

金融监管信号传递与金融市场有效运行

金融市场是金融监管当局与金融市场参与者之间动态博弈、合作共生的信息不对称系统。通过把信号博弈和重复博弈思想引入金融监管理论研究,构建以金融市场有效运行为反馈信号的金融监管当局与金融市场参与者之间的监管信号传递模型,分析金融市场治理中有效监管信号的传递机制。结果表明:金融监管力度与金融市场有效运行水平之间存在分离、混同两种均衡关系;在金融监管声誉效应的驱动下,金融监管当局倾向于选择混同均衡策略,而不是分离均衡。因而只有建立通畅的金融监管信号传递及反馈机制,强化并放大金融监管信号显示,增大监管乘数效应,形成良性的监管声誉效应,才能保障金融市场的有效运行。