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

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

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

我们比较了三种流行的神经架构搜索策略：贝叶斯优化、超带法和强化学习，在金融时间序列预测的背景下。

Mar, 2024

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。

Jan, 2024

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

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。

Apr, 2023

通过比较动态因子模型（DFM）和四种人工神经网络（ANNs）的预测表现，本文应用不同的统计模型来实时预测美国经济的季度 GDP 增长，并使用 FRED-MD 数据库进行实证研究。结果表明，虽然在经济增长平衡期间，较长的输入序列会产生更准确的预测，但是在经济动荡期间（如 COVID-19 衰退期间），较长的训练序列并不能提高模型的预测性能；在这种情况下，1D CNN 则具有较高的准确率，并被提出作为一种经济实时预测的有效方法。

Apr, 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

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