基于 CNN 和 BiLSTM 深度学习框架的金融系统性风险分析与预测
机器学习
2025-02-12 v1 计算工程、金融与科学
摘要
本研究提出一种基于卷积神经网络（CNN）和双向长短期记忆网络（BiLSTM）组合的深度学习模型，用于金融系统性风险的判别分析。该模型首先使用 CNN 提取金融市场多维特征的局部模式，然后通过 BiLSTM 模型化时间序列的双向依赖关系，以全面刻画系统性风险在空间特征和时间动力学中的变化规律。实验基于真实的金融数据集进行。结果表明，该模型在准确率、召回率和 F1 分数方面显著优于传统单一模型（如 BiLSTM、CNN、Transformer 和 TCN）。F1 分数达到 0.88，显示出极强的判别能力。这表明，结合 CNN 和 BiLSTM 的联合策略不仅能充分捕捉市场数据的复杂模式，还能有效处理时间序列数据的长期依赖问题。此外，本研究还探讨了该模型在处理数据噪声和高维数据的鲁棒性，为智能金融风险管理提供了有力支持。未来，研究将进一步优化模型结构，引入强化学习和多模态数据分析等方法，提高模型的效率和泛化能力，以应对更复杂的金融环境。
引用
@article{arxiv.2502.06847,
title = {A Deep Learning Framework Integrating CNN and BiLSTM for Financial Systemic Risk Analysis and Prediction},
author = {Yu Cheng and Zhen Xu and Yuan Chen and Yuhan Wang and Zhenghao Lin and Jinsong Liu},
journal= {arXiv preprint arXiv:2502.06847},
year = {2025}
}