LSTM的季节性修正及在股票指数预测中的应用
【摘要】:循环神经网络及其变种在处理序列样本方面有着良好的表现,以长短期记忆网络为代表的一系列循环神经网络的变种已被成功地应用于手写识别算法和图像文本提取等领域。本文通过对长短期记忆网络的启发式季节性修正,初步建立一种对序列中季节性成分有着更好的学习效果的循环神经网络的变种:季节型长短期记忆网络。经过在上证综指2015-2020年间的日级时序数据的实验,主要得到以下结果:在多步短期预测方面,线性对照模型所得结果误差较大且缺乏指导意义,而季节型长短期记忆网络克服了这一问题且较其他非线性模型如长短期记忆网络表现出了更好的有效性、稳定性和极值吻合度。
【相似文献】 | ||
|
|||||||||||||||||||||||||||
|
|
|||||||||||||||||||||||||||||||||||||||||
|
|
|||||||||||||||||||||||||||||||||||||||||
|
|
|||||||||||||||||||||||||||||||||||||||||
|
|
|||||||||||||||||||||||||||||||||||||||||
|