基于序列训练多对一LSTM的金融市场时间序列实时预测

金融市场高度复杂且波动剧烈；因此，为了解此类市场以进行预测，对崩盘及随后的复苏做出早期预警至关重要。人们一直在使用来自金融数学和机器学习等不同领域的学习工具，试图对此类市场做出可信的预测。然而，在人工神经网络（ANN）框架发展之前，这些技术的准确性尚不充分。此外，对金融时间序列做出准确的实时预测，高度依赖于所采用的ANN架构及其训练过程。长短期记忆（LSTM）是循环神经网络家族的一员，已广泛用于时间序列预测。具体而言，我们用已知长度（设为 $T$ 个时间步）的先前数据训练两个LSTM，仅预测未来一个时间步。在每次迭代中，一个LSTM用于寻找最佳epoch数，第二个LSTM仅以最佳epoch数进行训练以做出预测。我们将当前预测作为下一次预测的训练集，并训练同一个LSTM。经典训练方式在测试期内预测步长越远误差越大，而我们的方法在测试期推进过程中随着训练增加能保持更优精度。我们使用来自股票、加密货币和商品三种不同金融市场的各三个时间序列验证了本方法的预测精度，并与扩展卡尔曼滤波器、自回归模型和自回归积分滑动平均模型的结果进行了比较。