利用时间序列生成对抗网络（TimeGAN）捕捉股价指数的波动性与不规则性
计算工程、金融与科学
2023-11-23 v1
摘要
本文在COVID-19冲击下捕捉金融时间序列数据（尤其是股价）中的不规则性。我们推测，跳跃与不规则性因疫情冲击嵌入股票数据，带来时间序列中的不规则趋势。我们提出，在疫情冲击下需高效稳健的预测方法以预测股票收盘价。该信息就信心风险与收益提升而言对投资者有益。采用时间序列性质的生成对抗网络（GAN）为在复杂设定下建模与学习金融时间序列数据的恰当合适分布提供新途径。传统模型易产生高预测误差，且在捕捉依赖结构及波动性等其他典型事实方面不够稳健。所用TimeGAN模型有效应对了此预测不佳的风险。利用2010年1月至2022年11月的DAX股指，我们训练LSTM、GRU、WGAN与TimeGAN模型作为基准并记录预测误差，我们的TimeGAN以更小预测误差优于所有基准。
引用
@article{arxiv.2311.12987,
title = {Volatility and irregularity Capturing in stock price indices using time series Generative adversarial networks (TimeGAN)},
author = {Leonard Mushunje and David Allen and Shelton Peiris},
journal= {arXiv preprint arXiv:2311.12987},
year = {2023}
}
备注
36 pages