典型文献
基于多尺度特征和注意力的金融时序预测方法
文献摘要：
金融时间序列预测是经济领域中一个非常重要的实际问题,然而,由于金融市场的噪声和波动性,当前存在方法的预测精度尚不能令人满意.为了提高金融时间序列的预测精度,提出了一种融合扩张卷积神经网络(dilated convolutional neural network,DCNN)、长短时记忆神经网络(long short term memory,LSTM)和注意力机制(attention mechanism,AT)的混合预测模型DCNN_LSTM_AT.该模型由两个部分组成:第一部分包含扩张卷积神经网络和基于LSTM的编码器,其功能在于提取原始序列数据中不同时间尺度的有效信息;第二部分由带注意力机制的LSTM解码器构成,其功能在于对第一部分提取的信息进行过滤并利用过滤后的信息进行预测.最后将所提模型在3支股指数据集和3支个股数据集上进行实验,并与其他常见的基准模型进行了对比,实验结果表明该模型相比于其他模型具有更好的预测精度和稳定性.
文献关键词：
股指预测;扩张卷积神经网络(DCNN);注意力机制;长短时记忆神经网络
中图分类号：
作者姓名：
詹熙;潘志松;黎维;张艳艳;白玮;王彩玲
作者机构：
中国人民解放军陆军工程大学 指挥控制工程学院,南京 210007
文献出处：
引用格式：
[1]詹熙;潘志松;黎维;张艳艳;白玮;王彩玲-.基于多尺度特征和注意力的金融时序预测方法)[J].计算机工程与应用,2022(19):107-115
A类：
B类：
多尺度特征,金融时序预测,金融时间序列预测,经济领域,金融市场,波动性,令人满意,扩张卷积,dilated,convolutional,neural,network,DCNN,长短时记忆神经网络,long,short,term,memory,注意力机制,attention,mechanism,AT,混合预测模型,第一部,分包,编码器,序列数据,不同时间尺度,有效信息,第二部,分由,解码器,分提,行过滤,个股,股数,股指预测
AB值：
0.355245
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。
