基于生成对抗与卷积神经网络的金融时间序列预测深度学习模型

Wilfredo Tovar

基于生成对抗与卷积神经网络的金融时间序列预测深度学习模型

信号处理 2020-08-26 v2 机器学习

作者: Wilfredo Tovar

摘要

在大数据时代，深度学习与智能数据挖掘技术解决方案已被各领域研究者所应用。股票市场数据的预测与分析在当今经济中扮演着重要角色，但由于市场趋势极其复杂、混沌且处于高度动态环境中，对专业人员而言也是一项重大挑战。来自多个领域的大量研究试图应对该挑战，其中机器学习方法一直是许多研究的焦点。已有多种机器学习算法模型能够在此类预测上取得可观结果。本文提出一种生成对抗网络（GAN）的实现，该网络由双向长短期记忆网络（LSTM）与卷积神经网络（CNN）构成，称为 Bi-LSTM-CNN，用于生成与现有真实金融数据相符的合成数据，从而保留具有正或负趋势的股票特征以预测股票未来走势。区别于以往方案的 novelty 在于，本文引入了混合系统（Bi-LSTM-CNN）而非单一 LSTM 模型的概念。我们从多伦多证交所（TSX）、上证综指（SHCOMP）、韩国综合股价指数 200（KOSPI 200）及标普 500（S&P 500）等多个股票市场收集数据，提出一种用于股票价格趋势预测的自适应混合系统，并对若干常用机器学习原型进行了综合评估，结论表明所提解决方案优于先前模型。此外，在前期工作研究阶段，我们发现致力于技术领域的投资者与研究者之间存在鸿沟。

关键词

金融时间序列预测生成对抗网络卷积神经网络双向长短期记忆网络混合模型股票市场深度学习

引用

@article{arxiv.2008.08041,
  title  = {Deep Learning Based on Generative Adversarial and Convolutional Neural Networks for Financial Time Series Predictions},
  author = {Wilfredo Tovar},
  journal= {arXiv preprint arXiv:2008.08041},
  year   = {2020}
}

基于生成对抗与卷积神经网络的金融时间序列预测深度学习模型

摘要

关键词

引用

相关论文