典型文献
融合深度学习和知识图谱的金融时间序列建模与预测
文献摘要：
金融时间序列预测遵循不同的模式,由于用户行为的改变或环境本身的改变,这些模式可能随着时间的推移而改变.股票走势预测作为金融时间序列预测中最具挑战性的任务之一,目前的研究主要集中在公开市场数据上,而没有充分考虑行情局部趋势特征模式和交易行为相关性分析.本文提出了一个融合历史交易数据和关联市场信息的面向局部特征模式的深度神经网络趋势预测模型.首先,通过改进的Zigzag技术指标识别算法识别金融时间序列的重要点,并对局部趋势特征进行建模;然后,利用知识图谱和图嵌入技术来融合市场信息和行情交易特征信息,并与感知重要点等K线指标信息进行多特征融合.最后,将上述这些信息输入到基于注意力的双向长短期记忆网络进行股价走势预测.实验结果表明,所提出的模型具有较好的有效性、可用性与稳健性.
文献关键词：
时间序列;Zigzag指标;趋势预测;长短期记忆网络;知识图谱
中图分类号：
作者姓名：
蒋慧敏;陈锋
作者机构：
中国科学技术大学信息科学技术学院,合肥230027
文献出处：
引用格式：
[1]蒋慧敏;陈锋-.融合深度学习和知识图谱的金融时间序列建模与预测)[J].小型微型计算机系统,2022(09):1793-1800
A类：
B类：
时间序列建模,金融时间序列预测,用户行为,股票走势预测,公开市场,趋势特征,特征模式,交易行为,交易数据,市场信息,局部特征,深度神经网络,网络趋势,趋势预测,Zigzag,技术指标,识别算法,算法识别,对局,图嵌入技术,交易特征,特征信息,多特征融合,信息输入,双向长短期记忆网络,股价,可用性
AB值：
0.319464
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。
