金融时间序列数据建模与趋势预测：基于1105维特征向量的深度学习方法

为了进行实验验证，构建了十个不同的金融时间序列数据集，其中使用了不同的技术指标和滞后期来获取一个1105维的特征向量。使用具有特定周期和它们的前五个滞后期的技术指标来构建1105维的输入特征池，以预测趋势和回报。响应变量包括1、2和3天的回报和运动，类似于Yildirim等人（2021）。由于1天和2天的响应变量预测准确率和R2值较高，因此选择3天的趋势和对数回报值作为响应变量。