SDAE-LSTM模型在金融时间序列预测中的应用

• 作者: 余磊 黄婷婷
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: 金融时间序列 深度学习 LSTM神经网络
• 年，卷（期）: 2019,（1）
• 所属期刊栏目: 模式识别与人工智能
• 页码范围: 142-148
• 页数: 7页
• 分类号: TP18
• 字数: 4268字
• 语种: 中文
• DOI: 10.3778/j.issn.1002-8331.1804-0076

摘要

针对金融时间序列预测的复杂性和长期依赖性,提出了一种基于深度学习的LSTM神经网络预测模型.利用堆叠去噪自编码从金融时间序列的基本行情数据和技术指标中提取特征,将其作为LSTM神经网络的输入对金融时间序列进行预测;通过LSTM神经网络的长期依赖特性来提高金融时间序列的预测精度.利用股价指数数据,与传统的神经网络的预测结果进行比较,结果表明基于深度学习的LSTM神经网络具有比较高的预测精度.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	余磊	中国科学技术大学数学科学学院	4	54	3.0	4.0
2	黄婷婷	中国科学技术大学数学科学学院	2	15	1.0	2.0