Apr, 2024

DeepVARMA：化工行业指数预测的混合深度学习和 VARMA 模型

PDF
TL;DR通过将 LSTM 模型用于去除目标时间序列趋势和学习内生变量表示，再结合 VARMAX 模型对去趋势目标时间序列进行预测，该研究提出了一种新的预测模型 DeepVARMA 及其变体 Deep-VARMA-re 和 DeepVARMA-en，实验结果表明新模型在多变量非平稳序列预测方面的准确性和适应性优于传统 VARMA 模型以及机器学习模型 LSTM、RF 和 XGBoost，为化工行业的未来发展和科学决策提供了更准确的工具和方法。
chemical industry indexforecastingdeepvarmalstmvarmax
发现论文，激发创造
  • DeepVARwT: 带有趋势的 VAR 模型的深度学习

    本研究提出一种新的方法 DeepVARwT，利用深度学习模型 Long Short-Term Memory （LSTM）网络，在满足因果条件的情况下同时估计趋势和相关性结构，应用于预测领域并与先进的模型进行比较。

    Sep, 2022

  • 高效易解释的多时间序列非线性建模

    提出了一种高效的非线性建模方法，通过线性 VAR 过程和分量间非线性映射来生成时间序列，并使用定制算法解决优化问题，提高了 VAR 系数的支持识别和时间序列预测能力。

    Sep, 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

  • 使用 VMD-GARCH-LSTM 模型进行时间序列预测的非线性方法

    利用 VMD-LSTM-GARCH 模型，将时间序列分解为子模式，并从这些子模式中提取波动率信息，然后利用长期短期记忆网络对每个子模式进行预测，最后将所有子模式的预测结果进行聚合，通过集成计量经济学和人工智能方法，考虑时间序列的数字和波动率信息，该模型在时间序列预测中具有优越的性能。

    Oct, 2023

  • 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

  • 利用深度学习和统计模型进行股票预测研究

    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

  • 基于顺序一般变分模式分解方法的时间序列预测组合模型

    金融时间序列的准确预测对市场经济参与者和投资者至关重要。本文选择在线商店销售和澳大利亚啤酒销售作为非平稳、趋势和季节性金融时间序列的代表，并以非线性组合方式构建了一个新的 SGVMD-ARIMA 组合模型来预测金融时间序列。ARIMA 模型、LSTM 模型和其他经典分解预测模型作为对照模型，比较不同模型的准确性。实证结果表明，构建的组合预测模型相对于单一预测模型和线性组合预测模型具有普适优势。在预测区间内，我们提出的组合模型相对于传统分解预测对照模型具有改进优势。

    Jun, 2024

  • 多变量对抗时间序列预测模型

    研究论文通过提出多变量对抗时间序列预测模型来解决工业企业电力系统预测的问题，实验结果显示该方法能够更准确地预测工业企业的电力消耗。

    Jun, 2024

  • 基于时间序列分析的股票价格预测：机器学习和深度学习模型

    本研究利用统计学、机器学习和深度学习模型建立了一个强大而准确的股票价格预测框架，研究结果表明该多模型的结合方法可以从波动和随机的股票价格数据中有效地学习。

    Apr, 2020

  • 深度循环因子模型：可解释的非线性和时变多因子模型

    该研究中提出了一种基于 LSTM 和 LRP 的深度复发因子模型，将线性多因子模型扩展为非线性和时变，具有更好的预测能力。

    Jan, 2019