LSTM 在金融预测中的应用：案例研究及分析

LSTM 网络已在金融预测研究中被广泛应用。Lahmiri 和 Bekiros (2019) 使用 LSTM 和广义回归神经网络 (GRNN) 将每日比特币、数字现金和瑞波价格作为输入特征进行回归问题的研究。他们发现 LSTM 的性能明显优于 GRNN。Smuts (2019) 使用包含电报聊天组的输入集来预测比特币和以太坊的价格和交易情况，结果显示电报数据是比特币更好的预测因素，而谷歌趋势数据对以太坊更好，特别是在每周周期内。Di Persio 和 Honchar (2017) 通过比较不同 RNN 模型（如 LSTM、门控循环单元 (GRU) 和基本 RNN）的性能，达到了 72% 的谷歌股票价格准确度。Roondiwala 等人 (2017) 也应用 LSTM 来预测 Nifty 价格，使用开盘价、最高价、最低价和收盘价作为输入变量。他们使用 RMSE 作为性能度量。McNally 等人 (2018) 使用比特币价格的开盘价、收盘价、最高价和最低价以及区块链的哈希率和难度率来构建输入集，将问题视为回归和分类，并使用 LSTM 和贝叶斯递归神经网络作为学习算法。作者报告称，对于 RNN，最佳周期为 20 天，对于 LSTM，最佳周期为 100 天。Fang 等人 (2021) 报道称，使用 LSTM 可以以 78% 的准确度预测比特币的中间价格走势。