-
题名基于深度学习的金融时间序列数据集成预测
被引量：15
- 1
-
-
作者
闫洪举
-
机构
中国农业银行博士后科研工作站
北京大学经济学院
-
出处
《统计与信息论坛》
CSSCI
北大核心
2020年第4期33-41,共9页
-
文摘
提出将金融时间序列数据的序列依赖关系以及不同金融市场时间序列数据的局部关联特征纳入同一模型,构建结合卷积神经网络(CNN)以及门控循环单元(GRU)神经网络优势的CNN-GRU神经网络。同时,采用集成经验模态分解和游程判定法,将金融时间序列数据分解与重构为趋势项、低频项和高频项,以构建基于不同频率、不同波动的金融时间序列数据预测模型,继而对不同分量的预测结果集成以得到最终预测结果。实证结果表明,在直接预测中,CNN-GRU神经网络的预测精度高于只考虑序列依赖关系的GRU神经网络和只考虑局部关联特征的CNN。在集成预测中,上证指数的集成预测精度高于深度学习、机器学习算法对上证指数直接预测的精度。
-
关键词
金融时间序列数据
深度学习
卷积神经网络
门控循环单元神经网络
集成经验模态分解
-
Keywords
financial time series data
deep learning
convolutional neural network
gated recurrent neural network
empirical ensemble mode decomposition
-
分类号
F830.9
[经济管理—金融学]
-
-
题名金融时间序列数据可视化框架研究
- 2
-
-
作者
罗超
许红星
段然
-
机构
云南大学软件学院
-
出处
《计算机应用与软件》
北大核心
2023年第6期1-6,共6页
-
基金
国家自然科学基金项目(61640306)。
-
文摘
针对股票软件与量化平台在数据可视化方面存在的对接困难、量化平台可视化功能不完整、独立开发可视化模块缺少参考模型等问题,建立一套金融时间序列数据可视化框架,并对框架中各模块的计算模型进行详细介绍。在多个量化平台中使用回测和模拟实盘功能对框架进行测试。结果表明,在瞬时数据量大的情况下,框架可以在两种模式下稳定运行,并且能够适应不同量化平台之间的差异,满足研究员对数据可视化的需求。
-
关键词
金融时间序列数据
量化交易
数据可视化
跨平台可视化框架
-
Keywords
Financial time series data
Quantitative trading
Data visualization
Cross-platform visualization framework
-
分类号
TP3
[自动化与计算机技术—计算机科学与技术]
-
