基于iTransformer模型的金融时间序列预测

金融时间序列的准确预测是经济政策制定者和投资者密切关注的焦点。本文选用工商银行作为金融时间序列的代表,用一种新颖的神经网络模型iTransformer对工商银行的股票价格进行预测。同时,将统计模型ARIMA、神经网络模型LSTM和Transformer作为对照组,比较了不同模型在不同时间范围内预测的准确性。实证结果显示,iTransformer确实适用于股票价格的预测,在短期、中期和长期这三种不同的预测区间内,其精度普遍优于对照组的预测模型。

基于加权支持向量机的金融时间序列预测

金融时间序列数据的预测是商业领域的热点问题,对金融时间序列进行准确的预测,对金融投资决策与风险管理具有特别重要的意义。针对金融时间序列的特点,对传统支持向量机进行了改进,提出了基于加权支持向量机的金融时间序列预测方法。研究表明,与传统金融时间序列预测方法比较,基于加权支持向量机有效地提高了金融时间序列预测的精度。

基于门控循环单元神经网络的金融时间序列预测

针对循环神经网络(recurrent neural networks,RNN)网络结构存在的长期依赖问题,门控循环单元(gated recurrent unit,GRU)神经网络作为RNN的一种变体被提出。在继承RNN对时间序列优秀记忆能力的前提下,GRU克服了时间序列的长期依赖问题。本文针对金融时间序列数据存在的依赖问题,将GRU扩展应用到金融时间序列预测,提出了基于差分运算与GRU神经网络相结合的金融时间序列预测模型。该模型能够处理金融时间序列数据的复杂特征,如非线性、非平稳性和序列相关性。通过对标准普尔(S&P)500股票指数的调整后收盘价进行预测,实验结果表明,所提出的方案能够提高GRU神经网络的泛化能力和预测精度,并且与传统预测模型相比该模型对金融时间序列的预测拥有更好的预测效果和相对较低的计算开销。

基于多源数据深度融合的金融时间序列预测

文章提出一种双阶段深度学习的金融时间序列预测模型,研究股民评论、金融新闻资讯与股票指标多源数据对股票市场波动的影响。该模型运用word2vec并结合卷积神经网络对非结构化文本数据进行情感分析,计算情感权重并与股票指数联合;通过双向长短时记忆网络结合注意力机制关注文本重点语义分布,提升全局时序信息敏感度,从而完成非线性、时变性的股指预测。所提模型相比于单一使用股票指数,其均方误差降低0.264,比BiLSTM股票预测模型降低了0.186。实证结果表明,端对端的多源数据融合情感分析模型能够有效解决因多级因素导致的股票市场波动性与不规律性,从而对股票指数进行预测。

基于ARIMA-LSTM模型的金融时间序列预测

对金融时间序列的精准预测是经济政策制定者以及投资者关注的重点。文章选用道琼斯工业指数、上海证券综合指数以及伦敦金价格指数作为金融时间序列的代表,以非线性组合的方式,构造了一种新的ARIMA-LSTM组合模型,对三种金融时间序列进行预测,并将ARIMA模型、LSTM模型和线性组合模型作为对照模型,比较不同模型预测的准确性。实证结果表明,所构建的非线性组合预测模型较对照组的单一预测模型和线性组合预测模型均存在普遍的优势。在短期、中期和长期三个预测区间内,非线性组合模型相较于对照组模型的优势随着预测区间的变长而扩大。

基于自适应增量集成学习的非平稳金融时间序列预测

金融市场对于社会经济的发展非常重要,因此金融时间序列预测(Financial time series prediction,FTSP)一直是人们研究的焦点。至今,许多基于统计分析和软计算的方法被提出以解决FTSP问题,其中大多数方法将金融时间序列(Financial time series,FTS)视为或转化为平稳序列进行处理。但是,由于绝大部分FTS是非平稳的,因此这些方法通常存在伪回归或预测性能不佳等问题。本文提出了一种自适应增量集成学习(Self-adaptive incremental ensemble learning,SIEL)算法,用于解决非平稳金融时间序列预测(Non-stationary FTSP,NS-FTSP)问题。SIEL算法的主要思想是为每个非平稳金融时间序列(Non-stationary FTS,NS-FTS)子集增量地训练一个基模型,然后使用自适应加权规则将各基模型组合起来。SIEL算法的重点在于数据权重和基模型权重的更新:数据权重基于当前集成模型在最新数据集上的性能进行更新,其目的不是为了数据采样,而是为了权衡误差;基模型权重基于其所处环境进行自适应更新,且基模型在越新环境下的性能应具有越高的权重。此外,针对NS-FTS的特征,SIEL算法提出了一种能协调新旧知识以及应对环境重演的策略。最后,给出了SIEL算法在3个NS-FTS数据集上的实验结果,并将其与已有算法进行了对比。实验结果表明,SIEL算法能很好地解决NS-FTSP问题。

混合多个SVR模型的金融时间序列预测

基于支持向量回归(SVR)进行金融时间序列预测,使用PSO算法确定SVR超参数,并用实验的方法选择合适的SVR输入向量。为了解决金融时间序列非平稳性导致的单一SVR模型预测精度不稳定的问题,提出一种混合多个SVR模型的预测算法,选取训练数据的不同子集训练出多个SVR模型,采用对多个模型的预测结果加权求和的方法进行预测,各个模型的权重根据其预测误差动态调整。在全球5大股指上的实验表明,该算法的预测能力明显优于单一SVR模型。

基于LSTM神经网络的金融时间序列预测

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。

基于信号分解降噪的CNN-BiLSTM金融市场趋势预测

随着金融时间序列数据日趋复杂,如何捕捉金融数据未来多天的趋势变化成了难题。针对该问题提出了基于信号分解降噪和注意力机制的CNN-BiLSTM金融市场趋势预测模型(attention-based DWT-VMD-CBiLSTM)。首先利用离散小波变换(DWT)对原始金融股指序列进行降噪处理,然后利用变分模态分解(VMD)对降噪后的数据进一步分解为若干子序列。再结合多元基本面特征,利用基于注意力机制的CBiLSTM网络模型对各子序列进行多步预测,最后将各预测结果相加得到最终结果,实现较为长期的趋势预测。为证明所提出的模型性能,在不同金融股指数据集上与不同模型进行了实验比较。结果表明,提出的模型预测精度优于其他方法,在平均绝对误差(MAE)和平均百分比误差(MAPE)上分别达到12.28、0.39和80.27、0.71,在可决系数(R^(2))和可释方差值(EVS)上达到72%、74%和79%、69%的拟合度。

基于社交媒体文本信息的金融时序预测

针对传统股票趋势预测模型中忽略社交媒体文本信息对股价变化的影响和时间序列的平稳性处理、长期依赖等问题,提出一种融合社交媒体文本信息和LSTM的股票趋势预测模型(BiTCN-LSTM)。该模型分为情感分析和金融时序预测两部分。情感分析层将社交媒体文本信息输入到双向时间卷积网络进行特征提取和情感分析,得到积极或者消极的情感分类表示;金融时序预测层使用LSTM神经网络,将差分运算后的股票历史数据和文本情感特征向量加权融合作为网络输入,完成金融时序预测任务。通过上海证券综合指数数据集的实验验证,与传统金融时序预测模型相比,该模型的RMSE指标降低3.44-43.62。

基于多重分形分析法与模糊神经网络的金融时序预测技术研究

针对金融时间序列的预测问题,提出了一种结合机器学习方法与统计学方法的综合预测评判模型。该模型通过使用多重分形消除波动趋势分析法(MF-DFA),分析目标金融时序的多重分型性与记忆性,计算目标时序的Hurst指数,并在Hurst指数的指导下,采用自适应模糊推理神经网络对目标金融时序的趋势进行短期预测。使用上证指数、恒生指数、铜期货与黄金期货这四个具有代表性的金融时序验证了该模型。结果证实,该模型相较于单纯的专家系统或机器学习模型,能更好地对金融时序进行建模与短期趋势预测,并对预测结果给出合理解释。

金融时序自适应神经网络预测算法

以往神经网络在对金融时间序列预测的过程中存在训练不足和训练过度的问题。为了使神经网络在进行预测之前得到最佳的训练,作者提出了自适应神经网络预测算法,可以使神经网络在训练的过程中自动选择参数和与之对应的最佳训练次数,并利用matlab软件编码来实现算法,还利用股市中的真实数据对算法进行了检验和实证分析。

金融市场技术分析的统计学基础

建立了金融市场技术分析的数学模型,奠定了金融市场技术分析的统计学基础.传统的技术分析来源于直觉和经验,其正确性也是各种文献争论的焦点.根据经济学原理,我们认为金融时间序列的趋势项应是一随机过程.于是,我们假定其样本路径是分段线性的,并利用传统技术分析关于价格模式的思想,把价格模式归结为若干不同趋势路径的组合,从而使金融预测问题转化成了特定的回归问题.我们还利用上海证券交易所的关于头肩顶的40组样本数据,对头肩顶价格模式进行了回归分析且给出了相应的分析结果.

FEPA-金融时间序列自适应组合预测模型

本文报告一种金融时间序列预测的信号分析、信息融合与智能计算组合模型,简称FEPA,由针对金融时间序列（FTS）信号分析的经验模态分解（EMD）、用于数据降维的主成分分析（PCA）和用于非线性建模的人工神经网络（ANN）三部分组成。该模型首先应用滑动窗口截取原始金融时间序列最近期数据集,应用EMD分解算法把数据集分解成不同尺度的本征模态函数（IMF）,然后通过主成分分析将分解后的数据降维,提取最有信息量的特征;然后将这些特征输入到神经网络进行组合预测。本文提出的组合预测模型FEPA是基于分解-提优-合成的信息融合思想,有效提高了预测可靠性。其创新点在于：1）首次给出了EMD算法的结构化表达,提供了今后融合更多信息的算法接口;2）通过多步长预测输出深入研究EMD分解的有效信息结构;3）通过切换到更细时间框架来处理EMD的端点效应,并探索了两级时间框架下的预测效果;4）给出了金融时间序列组合预测模型的一般性架构,具有可升级性和可扩展性。并且通过滑动窗口EMD使得实证更能切近实际。通过在沪深300股指和澳大利亚股指上的实证,结果表明FEPA预测模型在沪深300股指日线和15分钟线上的预测命中率高达78%和82%,在澳大利亚股指日线上也达到了74%的命中率,经比较,明显高于文献中常见的5种模型。