基于多元经验模态分解生成对抗网络的金融时间序列预测

发布时间：2024-02-17 07:46

　　金融时间序列预测是一种根据金融数据的历史规律以及变化趋势对未来数据的发展状况做出合理推测的时间序列分析技术,它对于政府部门、投资机构以及投资者们均有着重要的意义。由于金融时间序列具有非线性、非稳定以及输入特征多等特性,因此建立较高预测精度的金融时间序列预测模型一直以来都是金融领域和计算机领域的研究热点。本文给出了三种基于生成对抗网络的金融时间序列预测模型,并采用2002年1月至2020年3月的沪深300指数对其预测性能进行验证。本文的主要工作如下:1、给出一种基于经验模态分解生成对抗网络的金融时间序列预测模型。针对金融时间序列非线性且非稳定的特点,将经验模态分解与生成对抗网络的生成器结合作为该模型的生成器;针对生成对抗网络模型不稳定的特点,将WGAN-gp生成器的损失函数与真实数据和生成数据的均方误差结合作为本模型生成器的目标函数。采用沪深300指数验证该模型的预测性能,其均方误差为0.0019,实验结果表明该模型能够更好地分析和处理非线性、非平稳的金融时间序列并取得了良好的预测效果。2、给出一种基于双阶段注意力机制生成对抗网络金融时间序列预测模型。针对金融时间序列输入特征多且难以自适... 

【文章来源】：大连海事大学辽宁省 211工程院校

【文章页数】：85 页

【学位级别】：硕士

【部分图文】：

图２．１循环神经网络结构??Ｆｉｇ．?２．１?ＲＮＮ?ｓｔｒｕｃｔｕｒｅ??图２．１中ａ表示的是未按照时间展开的ＲＮＮ网络结构，ｂ表示的是按照时间展开的??ＲＮＮ网络结构图

图２．２?ＲＮＮ的四种结构??Ｆｉｇ．?２．２?Ｆｏｕｒ?ｓｔｒｕｃｔｕｒｅ?ｏｆ?ＲＮＮ??

?基于多元经验模态分解生成对抗网络的金融时间序列预测???＾?〇〇〇＃〇〇??隐藏层?＃?＃?＃?ｗ??，、?／＼?７、?／?＼?／Ｋ?／＼??？〇〇〇〇〇?〇??Ｘ，?ｘ２?ｘ３?ｘ４?ｘ５?ｘ６?ｘ７??图２．３梯度消失原理??Ｆｉｇ．?２．３?Ｓｃｈｅｍａｔｉｃ?ｏｆ?ｇｒａｄｉｅｎｔ?ｄｉｓａｐｐｅａｒａｎｃｅ??２．４．２?长短时记忆网络??由于ＲＮＮ存在梯度“消失”和梯度“爆炸”的问题，经过大量研宄，Ｓｃｈｍｉｄｈｕｂｅｒ??等人于１９９７年提出了?ＬＳＴＭ神经网络。ＬＳＴＭ神经网络通过增加输入门（ｉｎｐｕｔ?ｇａｔｅ），输??出门（ｏｕｔｐｕｔ?ｇａｔｅ），遗忘门（ｆｏｒｇｅｔ?ｇａｔｅ）以及单元状态（ｃｅｌｌ?ｓｔａｔｅ）来控制信息的流动及保存。??具体来说，ＬＳＴＭ通过输入门和输出门来控制信息的流入与流出，通过遗忘门来控制上??一时刻的单元状态有多少信息可以被保存在这一时刻。ＬＳＴＭ通过改变自循环的权重参??数，在模型参数固定的情况下可以有效的避免循环神经网络中存在的梯度“消失”和梯??度“爆炸”的问题。ＬＳＴＭ的网络结构如图２．４所示：??ｘｔ??１?１?Ｉ?￣ｘ￣Ｌ?——??ａ?ａ?ｔａｎｋ?ａ?ｓｔ??Ａ?ｉｔ?Ｃ／?＾＾???ＪＬ??ｔａｎｋ??Ｃｔ－ｉ?”?”?Ｃｆ?Ｃｔ??—？?＜Ｓ＞?—？??图２．４?ＬＳＴＭ网络结构??Ｆｉｇ．?２．４?ＬＳＴＭ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ??－１４－??

【参考文献】：
期刊论文
[1]生成式对抗网络研究综述[J]. 罗佳,黄晋英.  仪器仪表学报. 2019(03)
[2]基于生成对抗网络的地面新增建筑检测[J]. 王玉龙,蒲军,赵江华,黎建辉.  计算机应用. 2019(05)
[3]生成式对抗网络GAN的研究进展与展望[J]. 王坤峰,苟超,段艳杰,林懿伦,郑心湖,王飞跃.  自动化学报. 2017(03)
[4]基于回声状态网络的电力市场电价预测[J]. 任远.  电力系统保护与控制. 2016(11)
[5]基于EMD与BP神经网络的中国股票指数期货价格预测[J]. 李聪,杨德平,孙海涛.  青岛大学学报(自然科学版). 2012(02)
[6]基于随机森林方法的基金收益率方向预测与交易策略研究[J]. 方匡南,朱建平,谢邦昌.  经济经纬. 2010(02)
[7]基于支持向量机的股市时间序列预测算法[J]. 杨稣,史耀媛,宋恒.  科学技术与工程. 2008(02)

硕士论文
[1]基于LSTM模型的金融时间序列预测算法研究[D]. 陈璐.哈尔滨工业大学 2019
[2]基于动态贝叶斯生成对抗网络的量化择时研究[D]. 白丽.大连海事大学 2019
[3]变压器绕组状态的振动检测法研究[D]. 田玉芳.山东大学 2014



本文编号：3329910