基于堆叠自编码器和长短期记忆网络的金融时间序列深度学习框架
创建于 更新于
摘要
本报告提出了集成小波变换、堆叠自编码器（SAEs）和长短期记忆网络（LSTM）的WSAEs-LSTM深度学习框架，用于金融时间序列的趋势预测。该模型利用小波变换进行去噪，堆叠自编码器无监督提取多源深层特征，LSTM捕捉时间依赖性和长短期记忆，有效提升了多市场沪深300、Nifty 50、恒生、日经225及美股等指数的预测准确性和交易盈利能力。实验结果表明，WSAEs-LSTM模型预测误差最小（MAPE最低，相关系数最高），且交易收益明显优于传统LSTM、WLSTM及RNN模型，且在不同成熟度市场均表现稳健，显示出模型针对噪声和非平稳金融数据的强大适应能力和实用价值 [pidx::0][pidx::3][pidx::4][pidx::6][pidx::15][pidx::19][pidx::20][pidx::25][pidx::26]
