基于LSTM与数据去噪方法的金融时间序列预测
计量经济学
2021-03-08 v1 机器学习
摘要
为进一步克服现有模型在处理高频金融时间序列数据的非平稳和非线性特征时的困难，尤其是其弱泛化能力，本文提出一种基于数据去噪方法（包括小波变换（WT）和奇异谱分析（SSA））与长短期记忆神经网络（LSTM）的集成方法以构建数据预测模型。通过WT和SSA对金融时间序列进行分解与重构以去噪，在去噪条件下重构带有有效信息的平滑序列。将平滑序列引入LSTM并得到预测值。以道琼斯工业平均指数（DJIA）为研究对象，将DJIA每五分钟收盘价分别划分为短期（1小时）、中期（3小时）和长期（6小时）。基于均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和绝对百分比误差标准差（SDAPE），实验结果表明，在短期、中期和长期下，数据去噪可大幅提升预测的准确率和稳定性，并能有效改善LSTM预测模型的泛化能力。由于WT和SSA可从原始序列提取有用信息并避免过拟合，混合模型能更好把握DJIA收盘价的序列模式。且WT-LSTM模型优于基准LSTM模型和SSA-LSTM模型。
引用
@article{arxiv.2103.03505,
title = {Prediction of financial time series using LSTM and data denoising methods},
author = {Qi Tang and Tongmei Fan and Ruchen Shi and Jingyan Huang and Yidan Ma},
journal= {arXiv preprint arXiv:2103.03505},
year = {2021}
}