Jan, 2024

股票数据时间序列预测中的高维神经网络

PDF
TL;DR对三种用于时间序列预测的架构进行了测试，它们分别包含卷积层、LSTM 层和密集超复数层用于 4D 代数。通过优化与架构类别相关的超参数，比较了最佳神经网络在类别内的性能。结果显示，在大多数情况下，具有超复数密集层的架构与其他架构相比，提供了类似的 MAE 准确性，但可训练参数较少。由于这一特点，超复数神经网络可以比其他测试的架构更快地学习和处理数据。此外，输入时间序列的顺序对有效性产生影响。
发现论文，激发创造
  • 时间序列预测深度学习架构的实验综述

    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

  • 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

  • 优化时间序列预测架构：一种层次神经架构搜索方法

    我们提出了一种新颖的层次神经架构搜索方法，用于时间序列预测任务，在长期时间序列预测任务中，我们的方法可以搜索跨不同预测任务的轻量高性能预测架构。

    Jun, 2024

  • KHNNs: 使用 TensorFlow 和 PyTorch 在 Keras 中进行的超复杂神经网络计算

    神经网络的超复数计算在某些应用中表现更好，我们建议使用与 Keras 集成的库在 TensorFlow 和 PyTorch 中进行超复数计算。

    Jun, 2024

  • 多元时间序列分类：深度学习方法

    本研究探究适用于时间序列分类领域的不同方法和各种神经网络结构。该论文通过使用来自气体传感器的数据来探测某一特定环境中的占用状态，并使用 Fully Convolutional Networks (FCN) 和 Long Short-Term Memory (LSTM) 进行监督学习和递归自编码器进行半监督学习，通过评估精度和召回率等指标来确定哪种方法最适合此问题。

    Jul, 2023

  • 深度学习模型预测股票指数的比较研究

    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

  • 短期 FOREX 预测的神经网络架构比较分析

    设计和实施的 LSTM 神经网络与基于技术分析指标模拟器的 ANN 自定义架构进行了比较分析，并得出了有关每个架构的适用性以及实施所需的时间和计算资源成本的有价值结论。ANN 自定义架构以更高的敏感度、更少的资源和更少的时间产生了更好的预测质量，适用于低功耗计算系统和需要快速决策的应用场景。

    May, 2024

  • 使用多元数据比较深度学习模型进行波动率预测

    该研究旨在比较基于深度学习的多变量数据预测模型在波动率预测方面的表现，结果表明 Temporal Fusion Transformer 优于传统方法和浅层网络，因此鼓励将其应用到实践中。

    Jun, 2023

  • 使用 CNN 和 LSTM 的深度学习模型 robust 分析股票价格时序

    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

  • 深度预测因素

    本研究提出了一种混合模型，将经典时间序列模型与基于深度神经网络的模型结合起来，通过全局深度组件实现可扩展性和数据驱动，同时通过本地经典模型处理不确定性。实验证明，该模型在数据效率、准确性和计算复杂性方面具有优势。

    May, 2019