【摘 要】
：
传统的统计预测模型在对时间序列预测时存在着精度不足,数据处理困难以及计算效率不高等问题。随着人工智能的迅猛发展,机器学习作为其中一个重要分支被广泛应用于多个领域的预测和决策任务中,有些学者将其应用到了金融时间序列中的股指预测,而深度学习属于机器学习的一个子域,有着出色的数据处理和预测能力,其中门控循环单元（GRU）是一种收敛速度较快、参数较少的神经网络模型,在训练中不易出现过拟合,将GRU运用到金
论文部分内容阅读
传统的统计预测模型在对时间序列预测时存在着精度不足,数据处理困难以及计算效率不高等问题。随着人工智能的迅猛发展,机器学习作为其中一个重要分支被广泛应用于多个领域的预测和决策任务中,有些学者将其应用到了金融时间序列中的股指预测,而深度学习属于机器学习的一个子域,有着出色的数据处理和预测能力,其中门控循环单元（GRU）是一种收敛速度较快、参数较少的神经网络模型,在训练中不易出现过拟合,将GRU运用到金融时间序列预测中,可以有效提高预测的精度和效率。此外,运用经验模态分解算法（EMD）对金融时间序列进行分解能有效降低序列的非平稳性。因此,结合GRU和EMD模型的优点,本文提出EMD-GRU组合预测模型,并应用于金融时间序列预测。验证过程选择沪深300指数作为预测对象,对指数收盘价进行预测。首先通过提取沪深300指数的收盘价构建初始时间序列;然后采用经验模态分解算法将非平稳的股指序列分解得到若干个时间尺度存在差异的本征模态函数分量和较为平稳的残差分量;然后运用GRU模型对各个分量进行预测,最后将已经预测的分量结果通过集成得到最终的预测结果。实证结果表明,在金融指数时间序列价格预测中,EMD-GRU组合预测模型复杂度更低,相较长短期记忆神经网络（LSTM）以及单一的门控循环神经网络（GRU）的预测精确度更高。
其他文献
21世纪以后,随着人口红利的消失,安徽省传统的资源消耗型、低成本劳动力密集型等产业逐渐跟不上新时代的发展,急需向高科技密集型,高附加值等产业转变。近20年以来,安徽省产业结构优化升级颇具成效。受国内外发展环境变化的影响,安徽省要想继续保持经济健康稳定的发展,必须对产业结构升级提出更高的要求。基于此,本文试图从产业关联和空间布局两个角度探究安徽省产业结构升级的特征和发展规律,以期为安徽省产业升级和经
从定量的角度出发来预测我国宏观经济,尽管现已取得丰硕的研究成果,但绝大多数研究成果都是以点值型数据为基础进行分析的,而点值数据含有的信息量也是很有限的。如今,区间数据在经济,金融和社会生活中分布广泛,它刻画了变量的变化范围,包含了更多的信息量。因此,面对此种背景,本文旨在区间数据环境下,通过半参数回归的视角去分析预测宏观经济的状况。针对文章所研究的主要问题,本文主要做了以下几个方面的工作:一是从区
2020年我国顺利完成了脱贫攻坚的各项目标,实现了现行贫困标准下农村绝对贫困人口的全面脱贫。绝对贫困的消除并不是反贫困工作的终点,而是向高质量、高标准的起点。后2020时期,我国反贫困工作的重点是治理相对贫困问题,与绝对贫困相比,相对贫困具有隐蔽、复杂的特点,且城乡间、区域间、乡村内部及城镇内部呈现不同的特征。本文通过对我国的相对贫困现状进行分析,探究相对贫困标准的设置及其影响因素,对于制定相关的
＜正＞地中海饮食连续被美国一项排行评估机构评价为位列整体最佳饮食的榜首,而地中海饮食的最大特点就是使用橄榄油。国际橄榄油协会（IOC）将橄榄油分为初榨橄榄油、精炼橄榄油和油橄榄果渣油几类,品质依次递减。初榨橄榄油使用新鲜橄榄,通过物理手段（没有高温加热和化学方法）直接制得,最大程度保留了营养成分。精炼橄榄油是初榨橄榄油经脱色,脱臭等化学工艺提取的产物。
随着我国经济的快速发展和人们生活水平的不断提高,人们对出行的需求也日益多元化,在出行过程中更注重住宿体验感,相比价格高且单一化的酒店,可住出“家的感觉”的共享住宿更受到人们的青睐,共享住宿的市场规模也因此不断扩张。共享住宿房源价格会影响到人们的消费选择,进而影响到房东和平台的收益,因此建立科学准确的价格预测模型,提供合理的定价建议,对于共享住宿平台、房东、消费者皆有参考意义。基于上述原因,本文选取
“十四五”开局之年,中国经济呈现稳中向好的积极态势,人民的生活水平显著提高,但我们赖以生存的环境正面临巨大的考验。目前,环境污染问题已引起政府高度重视,“十三五”规划中首次提出中国未来发展的五大理念:创新、协调、绿色、开放、共享,将环境污染治理提升到了新的战略高度。环境污染问题与财政分权体制下的政府行为紧密相连,如地方政府牺牲环境质量以此实现经济高速增长的目标,导致我国环境污染问题难以根除。政府税
宏观经济时间序列能够反映当前经济状况和未来经济发展走势,长期以来,时间序列的预测成为众多学者探讨的对象。GDP指标反映一个国家或地区经济在某个时期运行状况,其体现的是宏观经济未来发展变化趋势,也是国家和区域经济发展经济政策调控的主要目标。为此,关于GDP指标的预测研究一直成为计量经济学领域的热点课题。科学地预测GDP增长率,有助于相关部门对当前经济形式做出判断,及时采取应对措施。研究人员根据不同的
股票市场素有“国民经济的晴雨表”之称,其波动能够反映一个国家的经济社会发展状况。由于我国股票市场体制改革和监管等方面还不够完善,有很多需要改进的地方,整个市场中投资者投资行为的非理性因素也导致金融风险的增加。在此背景下,国内外著名学者都在研究如何进行风险管理。风险管理是根据市场上某些因素的改变来度量由此发生金融资产损失的可能性。因此,股票市场风险度量的研究对国家经济发展有着重要的作用和意义。本文采
本文基于长短期记忆神经网络（LSTM）提出EMD-SE-LSTM模型,并应用于上证综指的预测。具体做法如下:根据股指收盘价序列,使用常见的信号分解方法经验模态分解（EMD）,通过分解原始序列得到不同的分量序列来挖掘原始序列的潜在变动规律。分解得到本征模态函数及残差序列,由于分量过多的缘故,考虑使用样本熵方法（SE）对分量序列进行分量合并,达到减少分量个数从而降低工作量的效果。使用自身能够记忆的长短
经济增长追赶造成了以牺牲环境谋求发展的增长模式,严重阻碍了经济可持续发展的进程,尤其是改革开放以来优先发展经济,忽略社会福利建设与经济建设同步发展问题,使得民生问题日益凸显;如今我国经济已进入高质量发展阶段,注重绿色经济与社会福利协调发展是经济社会和谐发展的必然选择。我国已经虽然成为世界第二大经济体,但与发达国家相比社会福利发展水平仍显不足,经济与社会福利发展不协调,不仅会对人民生活质量产生影响,