经济与金融时间序列预测：ARIMA 与 LSTM 的对比
机器学习
2019-03-05 v1 统计金融
机器学习
摘要
时间序列数据预测是经济学、商业和金融领域的一个重要课题。传统上，有几种技术可以有效预测时间序列数据的下一滞后项，如单变量自回归 (AR)、单变量移动平均 (MA)、简单指数平滑 (SES)，以及更值得注意的自回归积分移动平均 (ARIMA) 及其多种变体。特别是，ARIMA 模型在预测时间序列下一滞后项的精确度和准确度上展现出了优越的性能。随着计算机计算能力的近期提升，更重要的是随着深度学习等更先进的机器学习算法和方法的发展，出现了用于预测时间序列数据的新算法。本文探讨的研究问题是，用于时间序列数据预测的新开发的深度学习算法（如“长短期记忆网络 (LSTM)”）是否以及如何优于传统算法。本文中进行和报告的实证研究表明，LSTM 等基于深度学习的算法优于 ARIMA 模型等传统算法。更具体而言，与 ARIMA 相比，LSTM 获得的错误率平均降低了 84% 至 87%，表明 LSTM 优于 ARIMA。此外，我们注意到，在深度学习中被称为“epoch”的训练次数对训练好的预测模型的性能没有影响，并且表现出真正的随机行为。
引用
@article{arxiv.1803.06386,
title = {Forecasting Economics and Financial Time Series: ARIMA vs. LSTM},
author = {Sima Siami-Namini and Akbar Siami Namin},
journal= {arXiv preprint arXiv:1803.06386},
year = {2019}
}
备注
19 pages, 2 figures, 1 diagram, 2 listings