文献类型：期刊文章

作　　者：欧阳红兵[1,2] 黄亢[1] 闫洪举[3]

OUYANG Hong-bing;HUANG Kang;YAN Hong-ju(School of Economics,Huazhong University of Science and Technology,Wuhan 430074,China;Collaborative Innovation Center of Industrial Upgrading and Regional Finance of Hubei,Wuhan 430074,China;Postdoctoral Research Station of Agricultural Bank of China,Beijing 100005,China)

机构地区：[1]华中科技大学经济学院,湖北武汉430074 [2]湖北省产业升级与区域金融协同创新中心,湖北武汉430074 [3]中国农业银行博士后科研工作站,北京100005

出　　处：《中国管理科学》

基　　金：教育部人文社会科学规划基金课题(19YJA790067)。

年　　份：2020

期　　号：4

起止页码：27-35

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、CSSCI、CSSCI2019_2020、JST、NSSD、RCCSE、RWSKHX、ZGKJHX、核心刊

摘　　要：本文提出将小波分析与纳入时间序列依赖特征的长短期记忆(LSTM)神经网络相结合,构建金融时间序列数据预测模型,以克服现有模型对金融时间序列数据非平稳、非线性、序列相关等复杂特征以及数据间非线性交互关系无法反映的缺陷。同时,以道琼斯工业指数日收盘价为例,探究LSTM神经网络对实际金融时间序列数据的预测能力,比较其与多层感知机、支持向量机、K近邻、GARCH四种模型的预测效果。实证结果表明LSTM神经网络具有更高的预测精度,能够有效预测金融时间序列数据的长短期动态变化趋势,说明了其对金融时间序列数据预测的适用性与有效性。此外,对金融时间序列数据进行小波分解与重构,可有效提高LSTM预测模型的泛化能力,以及对长短期动态趋势的预测精度。

关 键 词：长短期记忆神经网络  小波分析 深度学习  金融时间序列预测

分 类 号：F830.91[金融学类]