基于深度学习的金融时间序列预测:系统性文献综述(2005-2019)
机器学习
2019-12-02 v1 计算金融
机器学习
摘要
金融时间序列预测无疑是学术界与金融业界计算智能用于金融研究者的首选,因其广泛的应用领域和重大影响。机器学习(ML)研究者提出了多种模型,并发表了大量相应研究。因此,存在大量涵盖 ML 用于金融时间序列预测研究的综述。近来,深度学习(DL)模型开始在该领域出现,其结果显著优于传统 ML 对应方法。尽管开发金融时间序列预测研究的模型兴趣日益增长,但缺乏仅聚焦于 DL 用于金融的综述论文。因此,本文的动机是提供关于 DL 用于金融时间序列预测实现的全面文献综述。我们不仅根据预期的预测实现领域(如指数、外汇、商品预测)对研究进行分类,还基于其 DL 模型选择(如卷积神经网络(CNNs)、深度信念网络(DBNs)、长短期记忆(LSTM))进行分组。我们也试图通过强调可能的挫折与机遇来展望该领域的未来,以使相关研究者受益。
引用
@article{arxiv.1911.13288,
title = {Financial Time Series Forecasting with Deep Learning : A Systematic Literature Review: 2005-2019},
author = {Omer Berat Sezer and Mehmet Ugur Gudelek and Ahmet Murat Ozbayoglu},
journal= {arXiv preprint arXiv:1911.13288},
year = {2019}
}
备注
13 figures, 13 tables, submitted to Applied Soft Computing