ARIMA、LSTM 和 BiLSTM 预测金融时间序列的比较分析
比较了两种深度学习模型 —— 长短期记忆网络(LSTM)和双向 LSTM(BLSTM)在电力消耗时间序列(TS)短期预测方面的效果,利用不同背景和规模的四个数据集,其中 BLSTM 表现优于 LSTM。
May, 2023
通过比较多种基于 LSTM 和 Transformer 的模型在高频限价盘数据上的多个金融预测任务中的表现,研究发现 Transformer-based 模型在绝对价格趋势预测方面仅具有有限优势,而基于 LSTM 的模型在价格差异和价格变动等差异序列预测方面表现更好且更稳健。
Sep, 2023
本研究比较了传统方法和新兴神经网络方法的时间序列预测性能,使用了各种度量标准来评估它们的性能,结果表明 Deep AR 比所有其他深度学习和传统方法表现得都好,且其预测能力不会因训练数据量减少而降低。这表明,将深度学习方法纳入预测场景中显著优于传统方法,并可处理复杂的数据集,在天气预报和其他时间序列应用等各种领域具有潜在应用。
Jun, 2023
本文通过详实的实证研究和开源软件框架介绍了现有基于循环神经网络的预测模型,提出了针对这些模型使用的最佳实践和指导方针。研究发现,当数据集的时间序列具有同质季节模式时,RNN 能够直接模拟季节性;否则,建议事先对数据进行季节性去趋势处理。通过与 ETS 和 ARIMA 模型的比较,研究表明,实现了(半)自动化的 RNN 模型在许多情况下是可以竞争使用的。
Sep, 2019
本文研究旨在回顾深度学习在时间序列预测方面的应用,并比较其性能,结果表明长短时记忆网络(LSTM)和卷积神经网络(CNN)是最佳选择,其中 LSTM 获得最准确的预测结果,而 CNN 在不同参数配置下能够实现可比较的性能和更高的效率。
Mar, 2021
本文介绍了一种双向长短时记忆神经网络 (bidirectional LSTMs) 的变型架构 —— 变分双向 LSTM (Variational Bi-LSTM),该架构可以在训练期间(但在推理时可能被省略)在两条路径之间创建通道,从而共同优化其模型,实现不同信息的交互利用,进而在各项测试中表现出优秀的预测性能。
Nov, 2017
这篇研究提出了一种混合隐藏马尔可夫 - LSTM 模型,用于交通流预测,相比于传统方法,如 Markov 切换 ARIMA 和 LSTM,该模型具有显着的性能提升。
Jul, 2023
本文提出使用机器学习算法和超级预测者的预测来增强投资决策的价格预测模型。通过构建五个机器学习模型,包括双向 LSTM、ARIMA、CNN 和 LSTM 的组合、GRU,以及使用 LSTM 和 GRU 算法构建的模型,利用平均绝对误差评估这些模型的预测准确性。此外,研究建议通过识别超级预测者并跟踪其预测来预测股价的不可预测的变化,从而进一步提高机器学习和自然语言处理技术的股价预测准确性。
Jul, 2024
使用机器学习、深度学习和统计分析技术来预测股票价格的准确模型一直是个具有挑战性的任务,本文将回顾多种深度学习算法,包括移动平均、ARIMA、LSTM、RNN、CNN 和全卷积神经网络模型,以及通过误差计算方法如均方根误差、平均绝对误差、均方误差等来评估其准确性,结果表明,较低的平均绝对误差(MAE)值可以更准确地预测股价。
Feb, 2024