本文主要研究内容
作者岑忠培（2019）在《随机金融价格深度学习预测模型与统计分析》一文中研究指出：近年随着人工智能的发展,神经网络模型及深度学习在各个领域引起了广泛的关注,利用神经网络和深度学习模型拟合和预测时间序列也成为一些科学研究热门课题。鉴于人工神经网络在金融经济预测领域的应用前景,提高其预测精度具有十分重要的意义。本文提出了一种新的,由复杂度不变距离(CID)控制的学习率结构,通常CID被用来测量两个时间序列之间差异复杂度。此外,随机时效性神经网络(STNN)是一种用于预测时间序列的有监督模型。基于上述两种理论,本文提出了一种新的神经网络模型(CID-STN)以提高预测精度。同时为深入比较CID-STNN和STNN的预测性能,将时间序列分解为若干本真模函数,并利用这些本真模函数对模型进行训练。此外,对模型进行了交叉检验以调整超参数,在避免过拟合的前提下评估模型的预测能力,说明了 CID-STNN模型的相对有效性和优越性。为了提高金融市场价格波动预测的准确性,本文将长短记忆型神经网络(LSTM)深度学习模型应用于金融时间序列拟合。在传统的长短记忆型神经网络的应用领域,比如自然语言处理语义分析等,为提高其训练精度使用大量的数据训练是一种常规做法。为了通过扩展训练集的大小来提高预测精度,迁移学习提供了一种启发式的数据扩展方法。此外考虑到每一个历史数据的等价性来训练长期短期记忆,很难反映金融市场真实准确的变化。本文创新地提出了一种具有先验经验的数据迁移算法,它提供了一种更有效的数据扩展思路。为了深入比较初始数据和数据迁移后的预测性能训练性能,将时间序列分解为若干本真模函数,并利用这些本真模函数对模型进行训练。通过评价该模型的预测能力,对西德克萨斯轻质原油(WTI)、布伦特原油(Brent)的预测效果进行了实证研究,并证明了其相应的优越性。
Abstract
jin nian sui zhao ren gong zhi neng de fa zhan ,shen jing wang lao mo xing ji shen du xue xi zai ge ge ling yu yin qi le an fan de guan zhu ,li yong shen jing wang lao he shen du xue xi mo xing ni ge he yu ce shi jian xu lie ye cheng wei yi xie ke xue yan jiu re men ke ti 。jian yu ren gong shen jing wang lao zai jin rong jing ji yu ce ling yu de ying yong qian jing ,di gao ji yu ce jing du ju you shi fen chong yao de yi yi 。ben wen di chu le yi chong xin de ,you fu za du bu bian ju li (CID)kong zhi de xue xi lv jie gou ,tong chang CIDbei yong lai ce liang liang ge shi jian xu lie zhi jian cha yi fu za du 。ci wai ,sui ji shi xiao xing shen jing wang lao (STNN)shi yi chong yong yu yu ce shi jian xu lie de you jian du mo xing 。ji yu shang shu liang chong li lun ,ben wen di chu le yi chong xin de shen jing wang lao mo xing (CID-STN)yi di gao yu ce jing du 。tong shi wei shen ru bi jiao CID-STNNhe STNNde yu ce xing neng ,jiang shi jian xu lie fen jie wei re gan ben zhen mo han shu ,bing li yong zhe xie ben zhen mo han shu dui mo xing jin hang xun lian 。ci wai ,dui mo xing jin hang le jiao cha jian yan yi diao zheng chao can shu ,zai bi mian guo ni ge de qian di xia ping gu mo xing de yu ce neng li ,shui ming le CID-STNNmo xing de xiang dui you xiao xing he you yue xing 。wei le di gao jin rong shi chang jia ge bo dong yu ce de zhun que xing ,ben wen jiang chang duan ji yi xing shen jing wang lao (LSTM)shen du xue xi mo xing ying yong yu jin rong shi jian xu lie ni ge 。zai chuan tong de chang duan ji yi xing shen jing wang lao de ying yong ling yu ,bi ru zi ran yu yan chu li yu yi fen xi deng ,wei di gao ji xun lian jing du shi yong da liang de shu ju xun lian shi yi chong chang gui zuo fa 。wei le tong guo kuo zhan xun lian ji de da xiao lai di gao yu ce jing du ,qian yi xue xi di gong le yi chong qi fa shi de shu ju kuo zhan fang fa 。ci wai kao lv dao mei yi ge li shi shu ju de deng jia xing lai xun lian chang ji duan ji ji yi ,hen nan fan ying jin rong shi chang zhen shi zhun que de bian hua 。ben wen chuang xin de di chu le yi chong ju you xian yan jing yan de shu ju qian yi suan fa ,ta di gong le yi chong geng you xiao de shu ju kuo zhan sai lu 。wei le shen ru bi jiao chu shi shu ju he shu ju qian yi hou de yu ce xing neng xun lian xing neng ,jiang shi jian xu lie fen jie wei re gan ben zhen mo han shu ,bing li yong zhe xie ben zhen mo han shu dui mo xing jin hang xun lian 。tong guo ping jia gai mo xing de yu ce neng li ,dui xi de ke sa si qing zhi yuan you (WTI)、bu lun te yuan you (Brent)de yu ce xiao guo jin hang le shi zheng yan jiu ,bing zheng ming le ji xiang ying de you yue xing 。
论文参考文献
论文详细介绍
论文作者分别是来自北京交通大学的岑忠培，发表于刊物北京交通大学2019-09-27论文，是一篇关于深度学习模型论文,长短记忆型神经网络论文,时间序列分析及预测论文,非线性模型统计分析论文,数据迁移模式论文,北京交通大学2019-09-27论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自北京交通大学2019-09-27论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：深度学习模型论文; 长短记忆型神经网络论文; 时间序列分析及预测论文; 非线性模型统计分析论文; 数据迁移模式论文; 北京交通大学2019-09-27论文;