一种基于深度LSTM和注意力机制的金融数据预测方法

• 作者: 刘翀 杜军平
• 来源期刊: 计算机科学
• 学科: 工学
• 关键词: 金融预测 深层LSTM 注意力机制 序列模型
• 年，卷（期）: 2020,（12）
• 所属期刊栏目: 数据库&大数据&数据科学
• 页码范围: 125-130
• 页数: 6页
• 分类号: TP391
• 语种: 中文
• DOI: 10.11896/jsjkx.200700050

摘要

随着互联网的迅速发展,金融市场每日产生了大量在线金融数据,如每日的交易次数以及交易的总金额等.近年来金融市场数据的动态预测成为了研究热点.金融市场数据量大,输入序列较多,且会随着时间发生变化.针对这些问题,文中提出了基于深度 LSTM和注意力机制的金融数据预测模型.首先,该模型能处理复杂的金融市场数据输入,主要是多序列的输入;其次,该模型使用深度 LSTM网络对金融数据进行建模,解决了数据间长依赖的问题,并能学习到更加复杂的市场动态特征;最后,该模型引入了注意力机制,使得不同时间的数据对预测的重要程度不同,预测更加精准.在真实的金融大数据集上的实验表明,所提模型在动态预测领域具有准确性高、稳定性好的特点.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	杜军平		44	347	10.0	16.0
2	刘翀		1	0	0.0	0.0