使用 CNN 和 Transformer 进行金融时间序列预测
本研究基于印度国家股票交易所(NSE)中一家著名公司自 2012 年 12 月 31 日至 2015 年 1 月 9 日间五分钟间隔的股票价格历史数据,构建了四个卷积神经网络(CNN)和五个长短时记忆(LSTM)深度学习模型,精确预测未来的股票价格,并提供了这些模型的执行时间和均方根误差(RMSE)的详细预测准确性结果。
Nov, 2020
本文介绍了一种使用 CNN-LSTM 神经网络的股票市场预测模型,通过将股票数据转换为张量,识别特征并预测在给定时间段内的股票市场变化,实验结果表明该模型具有较高的准确性。
May, 2023
我们提出了一种关注的联邦变压器,用于时间序列股票预测,在保护参与企业的隐私的同时具备更好的性能。关于从雅虎金融网站获取的各种股票数据的实证结果显示了我们提出的方案在处理上述挑战和联邦学习中的数据异质性方面的优越性。
Jan, 2024
本文提出了一个新的深度学习框架 —— Long- and Short-term Time-series network (LSTNet), 用于解决多元时间序列预测等问题,并在复杂混合循环模式数据上实现了显著的性能提升。
Mar, 2017
本文提出了基于一维卷积神经网络的金融市场预测模型,并通过历史交易数据严格回测,证明了该模型可以更有效地提取更一般化和信息丰富的特征,实现比之前的机器学习方法更强大且更有利润性的金融绩效。
Apr, 2021
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
本文提出两种深度学习模型来准确预测相关时间序列,第一个模型在每个时间序列上使用卷积神经网络,第二个模型通过在每个时间序列上添加自编码器,实现了多任务学习。在两个现实世界的相关时间序列数据集上,实验证明所提出的两种模型有效且优于大多数基线。
Aug, 2018
本文利用 Transformers 模型和情感分析结合了技术股票数据和头条新闻数据,以准确预测股票趋势。与 RNN 相比,我们的模型在预测时间窗口为 30 个工作日的情况下将方向准确性提高了近 18.63%。
May, 2023
本文提出了一种基于改进的深度卷积 WaveNet 框架的条件时间序列预测方法,该方法通过多个卷积滤波器并行应用于各个时间序列来完成条件操作,从而加速数据处理和利用多元时间序列之间的相关性,可以有效地学习和预测金融时间序列,且性能优于常用的自回归模型和长短期记忆网络。
Mar, 2017