LSTM神经 Levy过程与金融预测集成
统计金融
2025-12-10 v1 机器学习
摘要
本文探讨了深度学习与金融模型集成以实现稳健资产价格预测的最佳方法。具体而言，我们构建了一个融合长短期记忆 (LSTM) 网络与Merton-Lévy跳动扩散模型的混合框架。为优化该框架，我们采用灰狼优化器 (GWO) 对LSTM进行超参数调优，并探索了三种Merton-Lévy模型参数校准方法：人工神经网络 (ANN)、海豚算法 (MPA) 和基于PyTorch的TorchSDE库。为评估混合模型的预测性能，我们将其与多种基准模型进行比较，包括标准LSTM和与分数Heston模型组合的LSTM。该评估使用三个真实金融数据集进行：布伦特原油价格、STOXX 600指数和IT40指数。性能评估采用均方误差 (MSE)、平均绝对误差 (MAE)、均方百分比误差 (MSPE) 和决定系数 (R2) 等标准指标。我们的实验结果表明，融合GWO优化LSTM网络与经ANN校准的Lévy-Merton跳动扩散模型的混合模型，相较于基准LSTM模型和本研究中developed的其他所有模型，预测性能显著优越。
引用
@article{arxiv.2512.07860,
title = {Integrating LSTM Networks with Neural Levy Processes for Financial Forecasting},
author = {Mohammed Alruqimi and Luca Di Persio},
journal= {arXiv preprint arXiv:2512.07860},
year = {2025}
}