[发明专利]一种外汇时间序列预测方法

说明书

本发明公开了一种外汇时间序列预测方法，具体涉及外汇时间序列数据领域。该预测方法基于卷积神经网络和长短期记忆网络相结合的深度学习算法C‑LSTM分析预测外汇时间序列数据，提出了外汇时间序列短期预测方法，对影响预测精度的三类主要因素进行系统的研究，选取最优的输入特征、网络结构和训练方法，针对数据噪声大的问题，基于PCA构建了特征优化算法，对输入特征进行降维除噪，然后运用Dropout和L2正则化方法避免过拟合问题的出现，进一步提高了预测方法的预测精度，同时为了满足外汇市场的高时效性需求，基于GPU高性能计算技术构建了并行优化算法，加快了网络模型的训练速度，提高了预测方法在实际应用场景中的可用性。

技术领域

本发明涉及外汇时间序列数据领域，具体涉及一种外汇时间序列预测方法。

背景技术

外汇市场对世界经济的健康发展起到关键作用，外汇时间序列数据波动剧烈，影响其波动的因素众多，是金融市场中最难分析预测的金融衍生品之一，传统的分析预测方法早已力不从心。在大数据时代，随着数据量的不断增长和计算力的迅速提高，深度学习技术在图像识别、自然语言处理、语音识别等领域取得了重大突破，许多学者开始将深度学习技术应用到外汇时间序列分析中，并已取得一定的研究成果，但由于外汇时间序列数据噪声大，随机性强，影响其波动的因素众多，因此，深度学习技术在外汇时间序列分析中的应用研究还需不断探究和完善。

目前，外汇时间序列主要有两类分析方法：

(1)传统统计学方法

传统统计学方法通过统计学方法建立数学模型，拟合历史外汇时间序列数据，然后通过所建模型预测未来外汇时间序列。常见的方法有MA(Moving Average，移动平均)模型，ARIMA(AutoRegressive Integrated Moving Average，自回归移动平均)模型和GARCH(Generalized AutoRegressive Conditional Heteroskedasticity，广义自回归条件异方差模型)模型等^[1]。传统统计学方法对数据依赖较小，只需历史外汇时间序列的趋势曲线即可构建模型，具有很强的通用性。但其存在滞后性问题，预测值晚于真实值，而且对于复杂性较高的系统，传统统计学方法无法有效的挖掘系统的内在规律，使得传统的统计学方法对于金融时间序列的分析预测效果并不理想。

(2)神经网络方法

神经网络可以较好的拟合复杂的非线性系统，因此对于外汇时间序列的分析预测有着巨大潜力，因此，许多学者利用神经网络方法对外汇时间序列进行分析预测，并取得了大量的研究成果。常见的方法有BP神经网络、径向基神经网络、小波神经网络等^[2]。但是浅层的神经网络方法学习能力有限，无法较好的拟合外汇时间序列数据，分析预测效果虽然优于传统的统计学方法，但仍有很大的提升空间。

深度学习技术很好的弥补了浅层神经网络学习能力不足的问题，因此在外汇时间序列分析中有更好的应用前景，但深度学习算法结构复杂，影响其预测精度的因素众多，样本特征、算法结构、训练优化方法等主观性因素对模型预测精度有重要的影响，研究这些因素对于提高深度学习算法在外汇时间序列中的预测精度有重要意义。此外，目前深度学习算法在外汇时间序列分析中的应用以单一结构为主，如何将不同深度学习算法进行有效结合，优势互补，以进一步提高深度学习算法的预测精度，还需不断探究与完善。