基于多尺度特征和注意力的金融时序预测方法

金融时间序列预测是经济领域中一个非常重要的实际问题,然而,由于金融市场的噪声和波动性,当前存在方法的预测精度尚不能令人满意。为了提高金融时间序列的预测精度,提出了一种融合扩张卷积神经网络（dilated convolutional neural network,DCNN）、长短时记忆神经网络（long short term memory,LSTM）和注意力机制（attention mechanism,AT）的混合预测模型DCNN_LSTM_AT。该模型由两个部分组成：第一部分包含扩张卷积神经网络和基于LSTM的编码器,其功能在于提取原始序列数据中不同时间尺度的有效信息;第二部分由带注意力机制的LSTM解码器构成,其功能在于对第一部分提取的信息进行过滤并利用过滤后的信息进行预测。最后将所提模型在3支股指数据集和3支个股数据集上进行实验,并与其他常见的基准模型进行了对比,实验结果表明该模型相比于其他模型具有更好的预测精度和稳定性。     

SDAE-LSTM模型在金融时间序列预测中的应用

针对金融时间序列预测的复杂性和长期依赖性，提出了一种基于深度学习的LSTM神经网络预测模型。利用堆叠去噪自编码从金融时间序列的基本行情数据和技术指标中提取特征，将其作为LSTM神经网络的输入对金融时间序列进行预测；通过LSTM神经网络的长期依赖特性来提高金融时间序列的预测精度。利用股价指数数据，与传统的神经网络的预测结果进行比较，结果表明基于深度学习的LSTM神经网络具有比较高的预测精度。     

基于CNN-LSTM的短期风电功率预测

短期风电功率预测对电力系统的安全稳定运行和能源的优化配置具有重要意义。鉴于卷积神经网络(CNN)高效的数据特征提取能力,以及长短期记忆网络(LSTM)描述时间序列长期依赖关系的能力。为了提高短期风电功率预测的精度,设计了一种基于CNN和LSTM的风电功率预测模型。该模型利用卷积神经网络对风电功率、风速、风向数据进行多层卷积和池化堆叠计算,提取风电功率相关数据的特征图谱。为了描述风电功率序列的时序依从关系,将图谱特征信息作为长短期记忆网络的输入信息,计算得到风电功率的预测结果。采用西班牙某风电场的实测数据进行模型预测精度验证。结果表明,该模型较LSTM、Elman模型具有更好的预测性能。     

基于LSTM和Kalman滤波的公交车到站时间预测

智能交通系统的建设已成为城市交通发展面临的主要问题,其中公交车到站时间预测是智能交通系统的重要组成部分。公交车到站时间数据是具有长期和短期特性的时间序列数据,而且公交车易受到外来因素的影响,因此公交车到站时间也是动态变化的。基于上述问题,提出基于LSTM和Kalman滤波的公交车到站时间预测模型,其中LSTM模型用来预测公交车到站的基础时间序列,Kalman滤波模型用于对基础时间数据序列进行动态调整,最终将调整后的预测值的正确率、均方差、平均绝对偏差分别与LSTM、SVM、SVM+Kalman模型预测结果进行对比,证明LSTM+Kalman模型预测值的正确率,均方差和平均绝对偏差均优于对比模型。     

基于VMD-CNN-LSTM的农业大棚园区用电负荷短期预测

针对农业大棚用电负荷受农村供电能力、气象因素等的影响,具有强波动性和高非线性的问题,综合大棚短期负荷的气象特征和时序特征,提出了一种基于变分模态分解(variational mode decomposition, VMD)的长短期记忆(long short-term memory, LSTM)网络与卷积神经网络(convolutional neural network, CNN)相融合的VMD-CNN-LSTM的短期负荷预测模型架构。首先,基于VMD方法分解负荷序列,降低负荷波动性;其次,采用CNN方法提取负荷的气象特征,采用LSTM方法提取负荷时序特征,进行负荷分量预测,并将模态分量的预测结果重构;最后,以山东省寿光市农业大棚负荷数据为基础开展仿真实验。结果表明,VMD-CNN-LSTM模型与传统神经网络模型相比,可有效提高农业大棚短期负荷预测的精度。     

基于小波包与长短时记忆融合的铁路旅客流量预测模型

短期铁路客运需求量的实时精准预测可以为实时调整客运服务结构提供依据.铁路旅客流量数据具有时变性、非线性和随机波动性等特点,传统的预测模型无法精准的预测短期内的客流量.本文提出一种基于小波包分解与长短时记忆融合的深度学习预测模型（WPA-LSTM）,首先用小波包分解将原始客运量时间序列分解重构成多个不同尺度的低频和高频序列,然后分别针对各个子序列进行LSTM模型训练和预测,最后将各子序列的预测值叠加作为WPA-LSTM模型的输出.采用某高铁367天的日旅客流量数据对模型进行实验验证,并与季节性模型和基于经验模态的长短时记忆融合模型进行对比,实验结果表明,WPA-LSTM模型可有效提高铁路旅客流量预测的精度.     

融合注意力机制的LSTM期货投资策略

近年来,金融量化领域中不断出现基于人工智能算法的量化投资模型,这些模型试图通过人工智能的方法来对金融时间序列建模,从而对数据进行预测并构建投资策略.针对传统的长短时记忆神经网络(Long Short Term Memory,LSTM)对金融时间序列预测不佳的问题,本文提出一种改进的LSTM模型,通过在LSTM层加入注意力机制(attention mechanism)提高神经网络的预测效果,通过遗传算法(Genetic Algorithm,GA)对模型参数调优提高模型泛化能力.使用2019年1月至2020年5月期间国内股指期货数据,我们进行了现有最高水平(state-of-the-art)算法间对比实验,结果显示本文提出的改进的LSTM模型的各方面指标均优于其它模型,显示了该策略模型应用于期货投资的有效性.     

基于ARIMA与BP的水利工程投资预测模型研究

为了提高时间序列短期预测的精度,提出了把ARIMA模型和BP神经网络模型进行组合预测的思路.将该组合模型应用在南水北调在建工程项目投资预测中,利用多种定阶准则对不同ARIMA模型的预测效果进行比较,指出多种定阶准则各有利弊;然后利用BP神经网络将不同ARIMA模型预测值进行进一步组合预测.实验结果表明,组合模型充分发挥了两种模型各自的优势,比单一的预测方法具有更高的精度,在时间序列短期预测中预测效果良好.     

基于HP滤波的ARMA-ABCSVR-GABP网络流量预测

针对当前网络流量无法根据流量变化的特征进行预测,且通过单一或者组合模型依然得不到较高准确率的问题,提出一种基于HP(High-Pass Fliter)滤波的流量预测模型.基于高铁站流量数据日高夜低的周期特性以及流量波动增长的长期趋势,依据HP滤波将网络流量分解成周期序列及趋势序列.利用自回归-滑动平均模型(ARMA)对...     

数据预处理对LSTM网络大气污染预测精度分析

大气污染物浓度数据具有时序性和非线性的特点,针对时间序列数据中的异常值和缺失值问题,进行异常值和缺失值预处理对长短时记忆神经网络(LSTM)预测精度的影响分析.利用箱线图法判别数据序列中的异常值,以均值替换法、回归插补法和多重插补法进行缺失值的预处理,分别利用原始数据序列和不同预处理方法得到的数据序列,对多变量输入LSTM神经网络的大气污染物预测精度进行对比分析.实验结果表明,三种预处理方法均可明显改善LSTM模型的预测精度,多重插补法精度最高.     

E-V-ALSTM模型的股价预测

针对股票价格非平稳、非线性、高复杂和随机波动等特性使其预测难度大的问题,提出一种基于E-V-ALSTM混合深度模型的股票价格预测方法。使用经验模态分解（EMD）对股票价格数据进行第一次分解,得到若干固有模态函数（IMFs）和一个残差（Res）,降低了股票价格数据的非平稳性和非线性;使用样本熵（SampEn）对这些IMFs进行复杂性评估;将复杂度高于一定阈值的IMFs使用变分模态分解（VMD）进行二次分解,以降低股票价格数据的复杂性;通过加入注意力机制的长短期记忆神经网络（LSTM）模型进行预测,捕捉关键时间点特征信息,重新赋予权重,以解决股票价格数据的随机波动性,提升预测方法的精确度。对沪深300指数和德国DAX指数等数据集上的实验结果表明,该模型比其他对比模型能进一步提高股票价格预测的准确性。     

Generative adversarial network (GAN) and enhanced root mean square error (ERMSE): deep learning for stock price movement prediction

The prediction of stock price movement direction is significant in financial circles and academic. Stock price contains complex, incomplete, and fuzzy information which makes it an extremely difficult task to predict its development trend. Predicting and analysing financial data is a nonlinear, time-dependent problem. With rapid development in machine learning and deep learning, this task can be performed more effectively by a purposely designed network. This paper aims to improve prediction accuracy and minimizing forecasting error loss through deep learning architecture by using Generative Adversarial Networks. It was proposed a generic model consisting of Phase-space Reconstruction (PSR) method for reconstructing price series and Generative Adversarial Network (GAN) which is a combination of two neural networks which are Long Short-Term Memory (LSTM) as Generative model and Convolutional Neural Network (CNN) as Discriminative model for adversarial training to forecast the stock market. LSTM will generate new instances based on historical basic indicators information and then CNN will estimate whether the data is predicted by LSTM or is real. It was found that the Generative Adversarial Network (GAN) has performed well on the enhanced root mean square error to LSTM, as it was 4.35% more accurate in predicting the direction and reduced processing time and RMSE by 78 s and 0.029, respectively. This study provides a better result in the accuracy of the stock index. It seems that the proposed system concentrates on minimizing the root mean square error and processing time and improving the direction prediction accuracy, and provides a better result in the accuracy of the stock index.

     

基于LSTM的股票价格预测建模与分析

股价波动是一个高度复杂的非线性系统，其股票的调整不是按照均匀的时间过程推进，具有自身的推进过程。结合LSTM（Long Short-Term Memory）递归神经网络的特性和股票市场的特点，对数据进行插值、小波降噪、归一化等预处理操作后，推送到搭建的不同LSTM层数与相同层数下不同隐藏神经元个数的LSTM网络模型中进行训练与测试。对比评价指标与预测效果找到适宜的LSTM层数与隐藏神经元个数，提高了预测准确率约30%。测试结果表明，该模型计算复杂度小，预测准确率有所提高，不仅能在股票投资前对预测股票走势提供有益的参考，还能帮助投资者在对实际股价有了进一步的认知后构建合适的股票投资策略。     

股市价格趋势预测研究

针对ANFIS（Adaptive-Network-based Fuzzy Inference System)直接对价格序列进行预测偏差较大的问题。提出了在处理有趋势特征价格数据中，用数字滤波器获取价格趋势和围绕趋势波动的变化细节特征，对两者分别采用AR和ANFIS模型进行预测。此方法应用于股票价格序列预测中，收到较好效果。     

基于DMD-LSTM模型的股票价格时间序列预测研究

针对股票市场关系复杂导致的有效特征提取困难、价格预测精度低等问题,提出一种基于动态模态分解—长短期记忆神经网络（DMD-LSTM）的股票价格时间序列预测方法。首先通过DMD算法对受市场板块联动效应影响的关联行业板块样本股数据进行分解计算,提取包含整体市场和特定股票走势变化信息的模态特征;然后针对不同市场背景,采用LSTM网络对基本面数据和模态特征进行价格建模预测。在鞍钢股份（SH000898）上的实验结果表明,该方法相较于传统预测方法,在特定的市场背景下能实现更高的价格预测精度,更为准确地描述股票价格的变化规律。     

Stock price prediction based on LSTM and LightGBM hybrid model

Finding an accurate, stable and effective model to predict the rise and fall of stocks has become a task increasingly favored by scholars. This paper proposes a long short-term memory (LSTM) network based on Pearson's correlation coefficient and a Bayesian-optimized LightGBM hybrid model, named as LSTM-BO-LightGBM, to solve the problem of stock price fluctuation prediction. The multilayer bidirectional LSTM-BO-LightGBM prediction model is compared with the LSTM-BO-XGBoost hybrid model, the LSTM-LightGBM hybrid model, the LSTM-XGBoost hybrid model, the single LSTM network model and the RNN network model. The prediction result of the LSTM-BO-LightGBM model for the "ES?=?F" stock is an RMSE value of 596.04, MAE value of 15.24, accuracy value of 0.639 and f1_score value of 0.799, which are improved compared with the prediction results of the other five models. At the same time, when applying the model to "YM?=?F", "CL?=?F", "^TNX", "^N225", "NQ?=?F", "AAPL", "GC?=?F", "JPY?=?X" and "SI?=?F", all of the nine stocks showed good forecasting performance. The results demonstrate that the multilayer bidirectional LSTM-BO-LightGBM model proposed in this paper has better approximation ability and generalization ability in the stock fluctuation forecast than previous models and can well fit the stock fluctuation.

     

基于矩阵画像的金融时序数据预测方法

针对金融市场中机构交易对股票市场中的散户投资行为具有较强的误导性的现象,提出了一种基于机构交易行为影响的趋势预测方法。首先,利用时间序列的矩阵画像（MP）方法,以股票换手率数据为切入点,构建不同兴趣模式长度下的基于机构交易行为影响的换手率波动知识库;其次,确定待预测股票在兴趣模式长度取何值时的预测结果精确度高;最后,根据该兴趣模式长度下的知识库,预测在机构交易行为影响下的单支股票的波动趋势。为验证趋势预测新方法的可行性和准确性,将其与自回归滑动平均（ARMA）模型和长短时记忆（LSTM）网络这两种预测方法进行对比分析,运用均方根误差（RMSE）与平均绝对百分误差（MAPE）评价指标综合比较3种方法对70支股票的预测结果。实验结果分析表明,与ARMA模型和LSTM网络相比,在70支的股票价格趋势预测上,所提方法有80%以上的股票预测结果更准确。     

基于长-短时序特征融合的资源负载预测模型

高准确率的资源负载预测能够为实时任务调度提供依据,从而降低能源消耗。但是,针对资源负载的时间序列的预测模型,大多是通过提取时间序列的长时序依赖特性来进行短期或者长期预测,忽略了时间序列中的短时序依赖特性。为了更好地对资源负载进行长期预测,提出了一种基于长-短时序特征融合的边缘计算资源负载预测模型。首先,利用格拉姆角场（GAF）将时间序列转变为图像格式数据,以便利用卷积神经网络（CNN）来提取特征;然后,通过卷积神经网络提取空间特征和短期数据的特征,用长短期记忆（LSTM）网络来提取时间序列的长时序依赖特征;最后,将所提取的长、短时序依赖特征通过双通道进行融合,从而实现长期资源负载预测。实验结果表明,所提出的模型在阿里云集群跟踪数据集CPU资源负载预测中的平均绝对误差（MAE）为3.823,均方根误差（RMSE）为5.274,拟合度（R²）为0.815 8,相较于单通道的CNN和LSTM模型、双通道CNN+LSTM和ConvLSTM+LSTM模型,以及资源负载预测模型LSTM-ED和XGBoost,所提模型的预测准确率更高。     

A support vector machine based MSM model for financial short-term volatility forecasting

Financial time series forecasting has become a challenge because of its long-memory, thick tails and volatility persistence. Multifractal process has recently been proposed as a new formalism for this problem. An iterative Markov-Switching Multifractal (MSM) model was introduced to the literature. It is able to capture many of the important stylized features of the financial time series, including long-memory in volatility, volatility clustering, and return outliers. The model delivers stronger performance both in- and out-of-sample than GARCH-type models in long-term forecasts. To enhance MSM’s short-term prediction accuracy, this paper proposes a support vector machine (SVM) based MSM approach which exploits MSM model to forecast volatility and SVM to model the innovations. To verify the effectiveness of the proposed approach, two stock indexes in the Chinese A-share market are chosen as the forecasting targets. Comparing with some existing state-of-the-art models, the proposed approach gives superior results. It indicates that the proposed model provides a promising alternative to financial short-term volatility prediction.