Apr, 2023

用于高频交易预测的最佳输出长短期记忆细胞

PDF
TL;DR本文介绍了一种修订的在线长短时记忆细胞，该细胞运行在浅拓扑上，具有最小的回看期，通过选择最佳门或状态作为其最终输出，比其他递归神经网络更适用于在线高频交易预测任务，如限价单簿的中间价格预测。在两只高流动性的美国和两只不太流动的北欧股票上对其进行了测试。
high-frequency tradingstock price forecastingrecurrent neural networktime-irregularitieslimit order book
发现论文，激发创造
  • 利用长短期记忆网络对高维混沌系统进行数据驱动的预测

    使用基于数据驱动的长短时记忆（LSTM）循环神经网络的预测方法，展示了该方法在高维混沌系统中的定量预测效果，并提出了一种新的具有混合结构的 LSTM 神经网络。与高斯过程相比，LSTM 在所有应用中都表现出更好的短期预测准确性，并且 MSM-LSTM 可以保证收敛到不变措施。

    Feb, 2018

  • 增强金融数据可视化以便于投资决策

    利用 LSTM 网络预测股票动态，主要关注细微的涨跌模式，结合纽约证交所的数据集，改进 LSTM 模型以捕捉复杂的市场模式，进而提高股票价格预测的准确性。

    Dec, 2023

  • 基于长短时记忆循环神经网络的网络流量矩阵预测框架

    本文提出了一种基于 LSTM RNN 框架的网络流量长短期预测方法，并在 GEANT 网络实验数据中验证表明，该方法可以很快地收敛且在相对较小的模型中取得了最先进的短期和长期流量矩阵预测性能。

    May, 2017

  • 具有更灵活记忆的循环神经网络：相较于粗糙波动性更好的预测

    我们将循环神经网络扩展到包含几个灵活的时间尺度，这在机械上提高了它们对具有长期记忆或高度不同时间尺度进程的处理能力。通过比较普通和扩展的长短期记忆网络（LSTMs）在预测已知具有长期记忆的资产价格波动性方面的能力，我们发现扩展的 LSTMs 所需的训练时期减少了一半，而具有相同超参数的模型的验证和测试损失的变化要小得多。我们还展示了在多时间序列数据集上进行训练和测试时，验证损失最小的模型相对于粗略波动性预测的表现普遍提高了大约 20％。

    Aug, 2023

  • 外币时间序列预测的现成神经网络架构的成本

    本研究旨在比较不同的长短期记忆（LSTM）神经网络结构和专门用于外汇市场预测的 ANN 架构之间的性能和资源需求，包括模型的执行时间、内存和计算资源消耗。我们的目标是证明专门的架构在外汇市场预测方面不仅能够取得更好的结果，而且在资源消耗和执行时间方面相对于 LSTM 架构更为优越。这种比较分析将对这两种类型的架构在外汇市场环境中的时间序列预测的适用性提供重要的见解。

    May, 2024

  • 联想长短时记忆

    通过基于复值向量的关联记忆，不增加网络参数的情况下增强循环神经网络的新方法，与全息缩减表示和长短时记忆网络密切相关。与全息缩减表示不同的是，该系统创建存储信息的冗余副本，从而实现了减少噪声的检索。实验证明在多个记忆任务上的学习更快。

    Feb, 2016

  • 深度卷积长短期记忆网络的时间性能预测

    利用时间后处理方法来估计卷积长短期记忆网络的预测性能，通过预测交并比或分类交并比是否为零来评估预测质量，进一步研究所考虑的细胞状态数量对提出的评估指标的影响。

    Nov, 2023

  • 正交神经网络中的短期记忆

    研究线性循环网络在遵守离散时间动力学的情况下，存储可从网络瞬时状态中检索的长时间序列的能力。 计算分布式移位寄存器和随机正交连接矩阵的时间记忆容量。 随着系统规模的增大，这些网络的记忆容量呈比例关系。

    Feb, 2004

  • 循环神经网络中学习更长记忆

    本文介绍了一种用于解决长期依赖的神经网络结构 —— 循环神经网络，并通过对语言建模等实验得出其同 LSTM 网络有着类似的性能表现。

    Dec, 2014

  • 基于长短期记忆网络的时间序列预测深度学习

    本文介绍 LSTM 模型的结构和前向传播机制，提出了 Random Connectivity LSTM（RCLSTM）模型，并通过在电信网络交通预测和用户移动性中的应用证明了 RCLSTM 模型可实现相同的预测准确性，同时具有计算复杂度更低的优点

    Oct, 2018