优化时间序列预测：基于股票市场数据的 LSTM 与 GRU 网络中 Adam 和 Nesterov 加速梯度的比较研究
统计金融
2024-10-04 v1
摘要
已有若干研究探讨了不同优化技术在不同神经网络架构的时间序列预测中的影响。本文考察了 Adam 和 Nesterov 加速梯度（NAG）优化技术在 LSTM 和 GRU 神经网络中用于时间序列预测（特别是股票市场时间序列）的有效性。我们的研究通过使用 Adam 和 Nesterov 加速梯度（NAG）两种优化技术训练 LSTM 和 GRU 模型，并比较和评估它们在苹果公司过去十年收盘价数据上的性能。使用 Adam 优化的 GRU 模型产生了最低的均方根误差（RMSE），在准确性和收敛速度上均优于其他模型-优化器组合。两种优化器下的 GRU 模型均优于 LSTM 模型，而 Adam 优化器在两种模型架构中的表现均优于 NAG 优化器。结果表明，使用 Adam 优化的 GRU 模型非常适合时间序列预测的实践者，尤其是股票价格时间序列预测，能够生成准确且计算高效的模型。本项目实验代码可在 https://github.com/AhmadMak/Time-Series-Optimization-Research 获取。
引用
@article{arxiv.2410.01843,
title = {Optimizing Time Series Forecasting: A Comparative Study of Adam and Nesterov Accelerated Gradient on LSTM and GRU networks Using Stock Market data},
author = {Ahmad Makinde},
journal= {arXiv preprint arXiv:2410.01843},
year = {2024}
}
备注
12 pages, 6 figures