CN111652722A - 一种基于人工神经网络的金融板块指数预测方法 - Google Patents
一种基于人工神经网络的金融板块指数预测方法 Download PDFInfo
- Publication number
- CN111652722A CN111652722A CN202010481845.2A CN202010481845A CN111652722A CN 111652722 A CN111652722 A CN 111652722A CN 202010481845 A CN202010481845 A CN 202010481845A CN 111652722 A CN111652722 A CN 111652722A
- Authority
- CN
- China
- Prior art keywords
- index
- plate
- financial
- data
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Finance (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工神经网络模型的金融板块指数预测方法。本发明包括:1:建立金融交易数据库;2:构建关联板块加权指数和市场加权指数;使用Pearson相关系数作为关联程度指标,通过关联程度加权计算得到加权指数;3:将数据集划为训练集和测试集,4:对金融板块指数、关联板块加权指数、市场加权指数和十年期国债收益率四组序列分别进行归一化处理;5:构建人工神经网络模型,包括提取特征和预测输出两部分;6:以先验长度为基准,生成6种训练集;将6种训练集输入人工神经网络模型中进行训练,迭代次数为50次,得到对应先验长度的6种人工神经网络模型。本发明为用户提供金融高频交易操作决策参考,达到规避风险、更好获利的目的。
Description
技术领域
本发明属于信息技术领域,具体涉及金融时序序列的分析,特别地涉及一种基于人工神经网络的金融板块指数预测方法。
背景技术
指数价格形成机制的理论研究一直伴随着股票市场的发展,并带动了其他理论的研究,例如资本资产定价理论、不完全信息博弈理论等。从系统论的角度看,指数价格的形成机制属于复杂的非线性系统,它与经济环境和行业周期高度相关。然而,使用传统的模型根据输入和输出来模拟这种非线性关系,是非常困难的。这不仅是因为其机制本身的复杂性,还受到布朗运动的影响,即含有随机噪声。以往的建模方法在实际应用中存在着如下局限性:
1、金融市场的价格波动属于非线性波动,传统的模型对此拟合误差较大,预测准确性不高;
2、股票市场与国债市场存在此消彼长的关系,尤其在市场剧烈波动期间,而这种现象几乎没有被考虑到。
大量研究表明,人工智能系统例如人工神经网络等,在一定程度上可以捕捉非线性特征,在科学和工程领域推动解决了大量具有挑战性的问题,也给指数价格形成机制的研究带来了一种可能的途径。通过人工神经网络模型对金融数据进行特征提取、融合和分析,进而更好的把握金融交易的非线性动态特征,使得预测结果更加精准。
发明内容
本发明的目的是针对现有对于金融数据的建模方法的不足,提出了一种基于人工神经网络模型的金融板块指数预测方法。从关联行业板块指数、市场指数、十年期国债收益率和金融板块指数自身四个方面变化对金融板块指数的影响,为用户更好地提供金融交易的决策参考。
本发明解决其技术问题所采用的技术方案包括以下步骤:
步骤1:建立金融交易数据库,包括数据搜集和数据去噪两个步骤。
数据搜集:从通达信金融终端的数据接口导入股票市场数据,存储到电脑本地的MongoDB数据库,作为原始数据。股票市场数据包括各行业板块指数(包括金融板块在内的12种行业板块指数)和市场指数。从英为财情网站下载十年期国债收益率数据文件,文件格式为CSV格式。以上数据作为原始数据。
数据去噪:对含有随机噪声的原始数据进行小波去噪,去掉数据中的随机波动;
步骤2:构建关联板块加权指数和市场加权指数。使用Pearson相关系数作为关联程度的指标,通过关联程度加权计算得到加权指数。
2-1.根据去噪后的原始数据计算金融板块与其他行业板块之间的相关系数。选取相关系数前三的值所对应的行业板块指数,将这三个行业板块指数根据与金融板块的相关系数进行加权,得到关联板块加权指数。计算公式为:
block_index=∑b_rib_indi
其中,block_index表示关联板块加权指数,b_ri为第个板块指数与金融板块指数的关联程度,b_indi为第i个板块指数的序列,i=1,…,11。
2-2.根据去噪后的原始数据计算金融板块与上证指数、深圳成指的相关系数。再根据这两个得到的相关系数对两种市场指数进行加权,得到市场加权指数。
market_index=∑m_rim_indi
其中,market_index表示市场加权指数,m_ri为第个市场指数与金融板块指数的关联程度,m_indi为第i个板块指数的序列,i=1,2。
步骤3:将数据集划为训练集和测试集,比例为17:3。
将训练集和测试集分别按照不同的先验时间长度处理为预测窗口,以供模型训练和预测;
所述的先验时间长度为9天、19天、29天、39天、49天和59天。即训练集以先验时间长度9天进行处理,获得预测窗口;训练集以先验时间长度19天进行处理,获得预测窗口;训练集以先验时间长度29天进行处理,获得预测窗口,依次往后推;
所述的数据集包括关联板块加权指数、市场加权指数和去噪后的原始数据;所述去噪后的原始数据的金融板块指数和十年期国债收益率;
具体处理方法:采用滑动窗口方法进行。例如训练部分包括n个数据对象,先验时间长度为m,则共可以产生(n-m)个预测窗口。
步骤4:对金融板块指数、关联板块加权指数、市场加权指数和十年期国债收益率四组序列分别进行归一化处理,具体如下:
设每一个预测窗口内有p个先验值和一个预测值。除预测值外,将预测窗口内的每个先验值xi与窗口内第一个先验值x0进行比较,计算变化率,然后将计算获得的变化率x′i替换原来的先验值xi;变化率计算如下:
其中,i的取值为[t,p];
步骤5:构建人工神经网络模型,模型提取特征和预测输出两部分。
提取特征部分:用四组基于LSTM的特征提取器以滑动方式提取归一化后金融板块指数、关联板块加权指数、市场加权指数和十年期国债收益率四组序列的预测窗口中先验数据的特征,获得四种特征向量;通过将特征向量进行级联形成融合特征向量。
预测输出部分:将融合特征向量输入三层全连接神经网络,得到下一个交易日金融板块指数的收盘价。
步骤6:以先验长度为基准,生成6种训练集;将6种训练集输入人工神经网络模型中进行训练,迭代次数为50次,得到对应先验长度的6种人工神经网络模型。
人工神经网络模型训练完毕后,使用对应模型的测试集对其性能进行检测并通过判定系数(determination coefficient)进行比较,将判定系数最高的值所对应的模型作为预测精度最高的模型。
本发明有益效果如下:
本发明考虑关联行业板块指数、市场指数、十年期国债收益率和金融板块指数等四个方面对金融板块指数的影响,为用户提供金融高频交易操作决策参考,达到规避风险、更好获利的目的。本发明优点:(1)综合考虑到关联行业板块指数、市场指数和金融板块指数对金融板块指数所产生的影响,使用十年期国债收益率作为反映债市对股票市场的影响指标,更好地利于用户做出投资判断;(2)使用LSTM提取金融数据中特征,使预测结果更准确。
附图说明
图1是本发明整体架构图;
图2是本发明人工神经网络模型参数及训练误差值收敛图;
图3为本发明预测窗口示意图。
具体实施方式
下面参照附图,对本发明的各种实施作进一步的详细描述。
如图1和2所示,一种基于人工神经网络的金融板块指数预测方法,具体实现步骤如下:
步骤1:建立金融交易数据库,包括数据搜集和数据去噪两个步骤。其中:
数据搜集:从通达信金融终端的数据接口导入股票市场数据,每个数据对象共有5个维度:开盘价、收盘价、最高价、最低价以及成交量,存储到电脑本地的MongoDB数据库。从英为财情网站下载十年期国债收益率数据文件,文件格式为CSV格式,其中数据对象包含4个维度:开盘价、收盘价、最高价和最低价。数据覆盖2013年3月5日至2019年8月30日共1579个交易日,共有1579*4=6316个数据对象。
数据去噪:对含有随机噪声的原始数据进行小波去噪,去掉数据中的随机波动。小波分析去噪分为三个步骤:
(1)选用Daubechies小波函数,对含有随机噪声的原始数据进行小波变换,得到小波变换系数;
(2)采取极大极小准则确定阈值,使用硬阈值消除法根据得到的阈值对系数进行处理,得到新的小波系数;
(3)对新的小波系数进行逆变换,重构得到去噪的数据序列。
步骤2:构建关联板块加权指数和市场加权指数。使用Pearson相关系数作为两种时序序列关联程度的指标,计算关联度,通过关联度加权计算得到加权指数。其中:
根据历史数据计算金融板块与其他行业板块(能源、材料、消费、可选、商业、服务、公用、交运、建筑、信息、企业和制造)之间的相关系数,共12个值。对这些值使用降序排序,选取前三的值对应的行业指数。将这三个行业指数通过与金融板块的相关系数进行加权,得到关联板块加权指数。
根据历史数据计算金融板块与上证指数、深圳成指的相关系数。再通过这两个值对两种市场指数进行加权,得到市场加权指数。
步骤3:划分数据集为训练集和测试集,比例为17:3。将切割好的两部分数据集按照不同的先验时间长度处理为预测窗口,以供模型训练和预测。先验时间长度为9天、19天、29天、39天、49天和59天。
具体处理方法采用滑动窗口方法进行。例如训练部分包括n个数据对象,先验时间长度为m,则共可以产生(n-m)个预测窗口,如图3所示。
步骤4:对金融板块指数、关联板块加权指数、市场加权指数和十年期国债收益率四组序列分别进行归一化处理,具体如下:
设每一个预测窗口内有p个先验值和一个预测值。除预测值外,将预测窗口内的每个先验值xi与窗口内第一个先验值x0进行比较,计算变化率,然后将计算获得的变化率x′i替换原来的先验值xi;变化率计算如下:
其中,i的取值为[t,p];
步骤5:构建人工神经网络模型,模型分为两个部分,分别是提取特征和预测输出。
提取特征部分,用四组基于LSTM的特征提取器滑动提取预测窗口内金融板块指数、关联板块加权指数、市场加权指数和十年期国债收益率等四个方面历史先验数据中的特征,获得四种特征向量。通过将特征向量进行级联形成融合特征向量。四组特征提取器均包含两层记忆单元,除提取十年期国债收益率的提取器输入维度为4外,其他输入维度均为5。
将融合特征向量输入三层全链接神经网络,得到下一个交易日金融板块指数的收盘价。三个网络层神经元个数分别为64,32和1,激活函数分别为Rectified Linear Unit,Rectified Linear Unit和Linear。
模型的损失函数设置为mean-square error,优化函数设置为Adam。
步骤6:将6种训练集输入模型中进行训练,迭代次数为50次,得到6种模型。模型训练完毕后,使用测试集对其性能进行检测并通过判定系数(determination coefficient)进行比较,得到预测精度最高的模型。
Claims (7)
1.一种基于人工神经网络的金融板块指数预测方法,其特征在于包括如下步骤:
步骤1:建立金融交易数据库,包括数据搜集和数据去噪两部分;
步骤2:构建关联板块加权指数和市场加权指数;使用Pearson相关系数作为关联程度的指标,通过关联程度加权计算得到加权指数;
步骤3:将数据集划为训练集和测试集,比例为17∶3;
将训练集和测试集分别按照不同的先验时间长度处理为预测窗口,以供模型训练和预测;
步骤4:对金融板块指数、关联板块加权指数、市场加权指数和十年期国债收益率四组序列分别进行归一化处理
步骤5:构建人工神经网络模型,模型提取特征和预测输出两部分;
步骤6:以先验长度为基准,生成6种训练集;将6种训练集输入人工神经网络模型中进行训练,迭代次数为50次,得到对应先验长度的6种人工神经网络模型。
2.根据权利要求1所述的一种基于人工神经网络的金融板块指数预测方法,其特征在于步骤1中所述的数据搜集和数据去噪,具体如下:
数据搜集:从通达信金融终端的数据接口导入股票市场数据,存储到电脑本地的MongoDB数据库,作为原始数据;股票市场数据包括各行业板块指数和市场指数;从英为财情网站下载十年期国债收益率数据文件,文件格式为CSV格式;以上数据作为原始数据;
数据去噪:对含有随机噪声的原始数据进行小波去噪,去掉数据中的随机波动。
3.根据权利要求1或2所述的一种基于人工神经网络的金融板块指数预测方法,其特征在于步骤2具体实现如下:
2-1.根据去噪后的原始数据计算金融板块与其他行业板块之间的相关系数;选取相关系数前三的值所对应的行业板块指数,将这三个行业板块指数根据与金融板块的相关系数进行加权,得到关联板块加权指数;计算公式为:
block_index=∑b_rib_indi
其中,block_index表示关联板块加权指数,b_ri为第个板块指数与金融板块指数的关联程度,b_indi为第i个板块指数的序列,i=1,…,11;
2-2.根据去噪后的原始数据计算金融板块与上证指数、深圳成指的相关系数;再根据这两个得到的相关系数对两种市场指数进行加权,得到市场加权指数;
market_index=∑m_rim_indi
其中,market_index表示市场加权指数,m_ri为第个市场指数与金融板块指数的关联程度,m_indi为第i个板块指数的序列,i=1,2。
4.根据权利要求3所述的一种基于人工神经网络的金融板块指数预测方法,其特征在于步骤3中采用滑动窗口方法进行;训练部分包括n个数据对象,先验时间长度为m,则共产生(n-m)个预测窗口;
所述的先验时间长度为9天、19天、29天、39天、49天和59天;即训练集以先验时间长度9天进行处理,获得预测窗口;训练集以先验时间长度19天进行处理,获得预测窗口;训练集以先验时间长度29天进行处理,获得预测窗口,依次往后推;
所述的数据集包括关联板块加权指数、市场加权指数和去噪后的原始数据;所述去噪后的原始数据的金融板块指数和十年期国债收益率。
6.根据权利要求4或5所述的一种基于人工神经网络的金融板块指数预测方法,其特征在于步骤5所述的提取特征和预测输出两部分,具体如下:
提取特征部分:用四组基于LSTM的特征提取器以滑动方式提取归一化后金融板块指数、关联板块加权指数、市场加权指数和十年期国债收益率四组序列的预测窗口中先验数据的特征,获得四种特征向量;通过将特征向量进行级联形成融合特征向量;
预测输出部分:将融合特征向量输入三层全连接神经网络,得到下一个交易日金融板块指数的收盘价。
7.根据权利要求6所述的一种基于人工神经网络的金融板块指数预测方法,其特征在于人工神经网络模型训练完毕后,使用对应模型的测试集对其性能进行检测并通过判定系数进行比较,将判定系数最高的值所对应的模型作为预测精度最高的模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010481845.2A CN111652722A (zh) | 2020-05-28 | 2020-05-28 | 一种基于人工神经网络的金融板块指数预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010481845.2A CN111652722A (zh) | 2020-05-28 | 2020-05-28 | 一种基于人工神经网络的金融板块指数预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111652722A true CN111652722A (zh) | 2020-09-11 |
Family
ID=72348739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010481845.2A Pending CN111652722A (zh) | 2020-05-28 | 2020-05-28 | 一种基于人工神经网络的金融板块指数预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652722A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020161677A1 (en) * | 2000-05-01 | 2002-10-31 | Zumbach Gilles O. | Methods for analysis of financial markets |
JP2005004701A (ja) * | 2003-06-16 | 2005-01-06 | Takema Seki | 株価変動予測へのニューラルネットワークの応用 |
CN107832897A (zh) * | 2017-11-30 | 2018-03-23 | 浙江工业大学 | 一种基于深度学习的股票市场预测方法 |
CN108846761A (zh) * | 2018-05-28 | 2018-11-20 | 安徽磐众信息科技有限公司 | 一种基于人工神经网络的期权期货交易分析方法 |
CN109190834A (zh) * | 2018-09-12 | 2019-01-11 | 百色学院 | 基于神经网络的股票价格趋势预测方法及系统 |
CN109492838A (zh) * | 2019-01-16 | 2019-03-19 | 中国地质大学(武汉) | 一种基于深度循环神经网络的股指价格预测方法 |
CN110264352A (zh) * | 2019-05-16 | 2019-09-20 | 福建江夏学院 | 基于神经网络模型和时间序列的股指预测方法及装置 |
CN111027745A (zh) * | 2019-11-08 | 2020-04-17 | 广东财经大学 | 一种基于自适应特征提取的股票指数预测方法 |
-
2020
- 2020-05-28 CN CN202010481845.2A patent/CN111652722A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020161677A1 (en) * | 2000-05-01 | 2002-10-31 | Zumbach Gilles O. | Methods for analysis of financial markets |
JP2005004701A (ja) * | 2003-06-16 | 2005-01-06 | Takema Seki | 株価変動予測へのニューラルネットワークの応用 |
CN107832897A (zh) * | 2017-11-30 | 2018-03-23 | 浙江工业大学 | 一种基于深度学习的股票市场预测方法 |
CN108846761A (zh) * | 2018-05-28 | 2018-11-20 | 安徽磐众信息科技有限公司 | 一种基于人工神经网络的期权期货交易分析方法 |
CN109190834A (zh) * | 2018-09-12 | 2019-01-11 | 百色学院 | 基于神经网络的股票价格趋势预测方法及系统 |
CN109492838A (zh) * | 2019-01-16 | 2019-03-19 | 中国地质大学(武汉) | 一种基于深度循环神经网络的股指价格预测方法 |
CN110264352A (zh) * | 2019-05-16 | 2019-09-20 | 福建江夏学院 | 基于神经网络模型和时间序列的股指预测方法及装置 |
CN111027745A (zh) * | 2019-11-08 | 2020-04-17 | 广东财经大学 | 一种基于自适应特征提取的股票指数预测方法 |
Non-Patent Citations (2)
Title |
---|
董亮亮: "时间序列分析的研究与应用", 《中国优秀硕士学位论文全文数据库(基础科学辑)》 * |
裴大卫: "基于深度学习的多因子股票价格预测方法研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tsantekidis et al. | Forecasting stock prices from the limit order book using convolutional neural networks | |
Rathnayaka et al. | A hybrid statistical approach for stock market forecasting based on artificial neural network and ARIMA time series models | |
Liu et al. | Stock market prediction with deep learning: The case of China | |
Zeng et al. | Wavelet denoising and attention-based RNN-ARIMA model to predict forex price | |
CN112819604A (zh) | 基于融合神经网络特征挖掘的个人信用评估方法与系统 | |
Zhao et al. | Wavelet Denoised-ResNet CNN and LightGBM method to predict forex rate of change | |
CN108647828A (zh) | 一种结合新闻语料和股市交易数据的股票预测方法 | |
Seo et al. | Forecasting the volatility of stock market index using the hybrid models with google domestic trends | |
CN110909928B (zh) | 能源负荷短期预测方法、装置、计算机设备及存储介质 | |
Sun et al. | Using machine learning for cryptocurrency trading | |
Panigrahi et al. | Effect of normalization techniques on univariate time series forecasting using evolutionary higher order neural network | |
Faraz et al. | Stock market prediction-by-prediction based on autoencoder long short-term memory networks | |
CN111105241A (zh) | 一种应用于信用卡交易反欺诈的识别方法 | |
Panigrahi et al. | Normalize time series and forecast using evolutionary neural network | |
Yang et al. | Forecasting the KOSPI 200 stock index based on LSTM Autoencoder | |
CN111652722A (zh) | 一种基于人工神经网络的金融板块指数预测方法 | |
CN113421154B (zh) | 基于控制图的信贷风险评估方法及系统 | |
Yang | Market Forecast using XGboost and Hyperparameters Optimized by TPE | |
Lee et al. | KOSPI200 Index prediction using sequence-to-sequence based on denoising filter and attention mechanism | |
CN112488421A (zh) | 一种电费应收账款的跟踪预测方法及装置 | |
Ghosh et al. | Panic Selling Analysis in Stock Market | |
Mansourabady et al. | A Study on Hybrid Deep Learning Approaches for “Monero” Cryptocurrency Price Prediction | |
Ying et al. | DeepBonds: A Deep Learning Approach to Predicting United States Treasury Yield | |
Pragna et al. | Gold Price Prediction using Machine Learning | |
Xing et al. | Predicting NVIDIA's Next-Day Stock Price: A Comparative Analysis of LSTM, MLP, ARIMA, and ARIMA-GARCH Models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |