论文部分内容阅读
金融时间序列预测是一种根据金融数据的历史规律以及变化趋势对未来数据的发展状况做出合理推测的时间序列分析技术,它对于政府部门、投资机构以及投资者们均有着重要的意义。由于金融时间序列具有非线性、非稳定以及输入特征多等特性,因此建立较高预测精度的金融时间序列预测模型一直以来都是金融领域和计算机领域的研究热点。本文给出了三种基于生成对抗网络的金融时间序列预测模型,并采用2002年1月至2020年3月的沪深300指数对其预测性能进行验证。本文的主要工作如下:1、给出一种基于经验模态分解生成对抗网络的金融时间序列预测模型。针对金融时间序列非线性且非稳定的特点,将经验模态分解与生成对抗网络的生成器结合作为该模型的生成器;针对生成对抗网络模型不稳定的特点,将WGAN-gp生成器的损失函数与真实数据和生成数据的均方误差结合作为本模型生成器的目标函数。采用沪深300指数验证该模型的预测性能,其均方误差为0.0019,实验结果表明该模型能够更好地分析和处理非线性、非平稳的金融时间序列并取得了良好的预测效果。2、给出一种基于双阶段注意力机制生成对抗网络金融时间序列预测模型。针对金融时间序列输入特征多且难以自适应选择的问题,将输入注意力机制引入生成器中以自适应选择输入特征;针对金融时间序列具有长时间依赖性且难以捕捉的问题,将时间注意力机制引入生成器中以捕获金融时间序列的长时间依赖性。采用沪深300指数验证该模型的预测性能,其均方误差为0.0014,实验结果表明该模型能够自适应的选择输入特征、捕获金融时间序列的长时间依赖性并降低了模型的预测误差。3、将上述两种基于生成对抗网络的金融时间序列预测模型进行融合,得到多元经验模态分解生成对抗网络模型。该模型在经验模态分解生成对抗网络模型的基础上进行改进,采用多元经验模态分解代替经验模态分解,并在生成器中引入输入注意力机制和时间注意力机制,其判别器采用卷积神经网络。采用沪深300指数验证该模型的预测性能,其均方误差为0.0004,实验结果表明该模型不仅能够良好地分析和处理非线性、非平稳的金融时间序列,而且能够自适应的选择输入特征以及捕获金融时间序列的长时间依赖性,提高了模型的预测精度。