循环神经网络在金融时间序列预测中的应用

在金融时间序列预测中，非顺序数据类型和输入数据的时间依赖结构使得循环神经网络(RNN)模型相比于多层感知机(MLP)更为方便。Kamijo和Tanigawa(1990)应用RNN模型使用东京证券交易所数据获得了93.8%的准确率。出现在深度神经网络和RNN中的梯度消失问题被引入长短期记忆(LSTM)网络来解决。Cho等人(2014)和Di Persio和Honchar(2017)将LSTM与dropout应用于谷歌股价预测。类似的研究结果可在Bao等人(2017)、Pawar等人(2019)、Zhao等人(2017)中找到。