典型文献
基于LSTM神经网络金融时间序列预测模型构建要点探究
文献摘要：
金融市场中，股票的价格具有不确定性，如何提高股票涨跌预测变化趋势，成为广大股民以及经济领域专家学者研究的热点问题。持续增强对于金融趋势预测模型的设计与研究，具有积极的意义以及重要的作用。随着AI技术的飞速发展，机器人学习概念在金融趋势预测领域得到了广泛应用，相关工作人员基于金融时序涨跌趋势，围绕“股票历史数据属性值”这一研究对象，利用机器人学习技术对金融时序预测精准度进行了深入分析，最终设计出基于LSTM（长短期记忆神经网络）的金融时序预测模型，以期提升金融时序涨跌趋势预测准确性。金融市场的稳定运行，意在充分调动各类生产要素，提高资金使用效率，同时降低融资成本。因此，结合LSTM神经网络技术重新解构金融时间序列模型，为现阶段金融市场数据研究、发挥金融市场基金作用提供新途径。
文献关键词：
LSTM神经网络;金融时间序列;预测模型，模型参数;模型训练
中图分类号：
作者姓名：
李辉东;许媛;郭元凯
作者机构：
安康职业技术学院
文献出处：
引用格式：
[1]李辉东;许媛;郭元凯-.基于LSTM神经网络金融时间序列预测模型构建要点探究)[J].计算机产品与流通,2022(11):73-75
A类：
B类：
网络金融,金融时间序列预测,时间序列预测模型,预测模型构建,构建要点,要点探究,金融市场,股票,涨跌,股民,经济领域,领域专家,趋势预测,设计与研究,机器人学习,历史数据,数据属性,属性值,学习技术,金融时序预测,长短期记忆神经网络,时序预测模型,预测准确性,充分调动,资金使用效率,融资成本,神经网络技术,新解,时间序列模型,数据研究,模型训练
AB值：
0.329025
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
