论文部分内容阅读
LSTM神经网络其独特的记忆结构在时间序列中有着良好的预测性能,但是在时间间隔扩大、数据样本偏少的情况下,LSTM模型的预测效果会变差,对此本文提出迁移学习的方法来提升LSTM模型的预测性能.利用日度汇率数据,在不同时间粒度下进行基于LSTM模型的时间粒度迁移汇率预测实证,与LSTM模型直接预测结果比较,实证结果表明:基于时间迁移的LSTM模型具有更高的预测精度.