基于LSTM模型的金融时间序列预测算法研究

论文摘要

在我国经济飞速发展、科技高速进步的大背景下,金融市场的影响也越来越大,而金融时间序列的分析与预测对投资者的决策有很大的影响。由于金融数据具有非线性、高噪声、非平稳等特点,金融时间序列的预测在经济、数学等学科得到了充分的研究和发展,预测模型也经历了从线性到非线性模型的转变,金融科技（Fintech）应运而生。为了提高金融时间序列预测的准确性,本文提出了一种由自适应噪声的完整集成经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）算法和添加注意力机制（Attention Mechanism,AM）的长短期记忆网络（Long Short Term Memory,LSTM）结合的时间序列预测模型。首先,基于注意力机制对LSTM模型进行改进,充分利用LSTM隐藏层的各个时刻的输出信息,进行注意力分布的计算,对输出信息进行加权。通过与其他模型进行对比,验证了所提出的LSTM-ATTE模型的有效性。接着,研究了经验模态分解（Empirical Mode Decomposition,EMD）和CEEMDAN算法,通过对仿真信号的分解表明CEEMDAN算法能够消除EMD算法产生的模态混叠现象。最后,基于上述研究,提出了一种基于CEEMDAN算法和LSTM-ATTE的时间序列组合预测模型。先用CEEMDAN算法对金融时间序列进行分解,得到一系列具有不同时间尺度的子序列,再利用LSTM-ATTE模型对其分别进行预测,将预测结果叠加得到最终的预测值。同时,采用实际的上证50指数收盘价序列进行验证预测,通过线性回归分析,证明了组合模型预测的正确性。对比与单一模型和其他组合模型,结果表明,本文所提模型有更小的预测误差,提升了预测性能。

论文目录

摘要

Abstract

第1章绪论

1.1 课题研究背景及意义

1.2 国内外研究现状

1.2.1 深度学习研究现状

1.2.2 深度学习金融时间预测的研究现状

1.3 主要研究内容与结构安排

1.3.1 主要研究内容

1.3.2 结构安排

第2章金融时间序列预测基本方法

2.1 引言

2.2 金融时间序列的特性

2.3 金融时间序列的预处理机制

2.3.1 输入变量的选择

2.3.2 去噪和异常值检测

2.3.3 滑动窗口技术

2.3.4 金融序列的经验模态分解

2.4 金融时间序列的预测模型

2.4.1 传统统计模型

2.4.2 深度学习基础理论

2.5 评价指标

2.6 本章小结

第3章基于注意力机制的LSTM时间序列预测模型

3.1 引言

3.2 循环神经网络

3.2.1 循环神经网络的原理

3.2.2 循环神经网络的传播过程

3.2.3 循环神经网络的优缺点

3.3 长短期记忆网络

3.3.1 长短期记忆网络的原理

3.3.2 长短期记忆网络的传播过程

3.4 基于注意力机制的LSTM改进模型

3.5 预测结果及分析

3.5.1 注意力机制的改进效果

3.5.2 其他模型对比实验结果

3.6 本章小结

第4章基于经验模态分解的LSTM-ATTE组合模型

4.1 引言

4.2 EMD算法的原理

4.2.1 EMD算法的概念

4.2.2 EMD算法的流程

4.2.3 EMD算法的性质

4.3 基于EMD-LSTM-ATTE的时间序列预测模型

4.3.1 EMD-LSTM-ATTE模型原理

4.3.2 预测结果及分析

4.4 EMD的改进算法

4.4.1 模态混叠现象

4.4.2 CEEMDAN算法的原理

4.4.3 算法仿真

4.5 基于CEEMDAN-LSTM-ATTE的时间序列预测模型

4.5.1 CEEMDAN-LSTM-ATTE模型原理

4.5.2 预测结果及分析

4.6 本章小结

结论

参考文献

攻读硕士学位期间发表的论文及其它成果

致谢

文章来源

类型: 硕士论文

作者: 陈璐

导师: 迟永钢

关键词: 金融时间序列,经验模态分解,长短期记忆网络,注意力机制,固有模态函数

来源: 哈尔滨工业大学

年度: 2019

分类: 基础科学,经济与管理科学

专业: 数学,金融

单位: 哈尔滨工业大学

分类号: F830;O211.61

DOI: 10.27061/d.cnki.ghgdu.2019.001153

总页数: 63

文件大小: 3130K

下载量: 652

基于LSTM模型的金融时间序列预测算法研究

论文摘要

论文目录

文章来源

相关论文文献

猜你喜欢