1D-CapsNet-LSTM：一种基于深度学习的多步股票指数预测模型
机器学习
2024-02-19 v2 神经与进化计算
摘要
多步股票指数预测在金融领域对明智决策至关重要。当前该任务的预测方法常因数据固有的随机性与不稳定性而产生不尽人意的结果，从而凸显了对先进预测模型的需求。鉴于胶囊网络（CapsNet）在各类预测与分类任务中相对 CNN 的优越性，本研究探讨了将一维 CapsNet 与 LSTM 网络集成用于多步股票指数预测的潜力。为此，引入了一种混合的 1D-CapsNet-LSTM 模型，其利用一维 CapsNet 从序列数据生成高级胶囊，并利用 LSTM 网络捕捉时间依赖关系。为保持不同预测时程上的随机依赖，采用了多输入多输出（MIMO）策略。该模型在真实世界股票市场指数（包括 S&P 500、DJIA、IXIC 和 NYSE）上进行了评估，并与基线模型（包括 LSTM、RNN 和 CNN-LSTM）比较，使用的指标有 RMSE、MAE、MAPE 和 TIC。所提出的 1D-CapsNet-LSTM 模型在两个关键方面持续优于基线模型。与基线模型相比，它显著降低了预测误差。此外，其误差随预测时程延长而增长更慢，表明对多步预测任务具有更强的鲁棒性。
引用
@article{arxiv.2310.02090,
title = {1D-CapsNet-LSTM: A Deep Learning-Based Model for Multi-Step Stock Index Forecasting},
author = {Cheng Zhang and Nilam Nur Amir Sjarif and Roslina Ibrahim},
journal= {arXiv preprint arXiv:2310.02090},
year = {2024}
}