COVID-19对预测股票价格的影响:一个集成的平稳小波变换和双向短期记忆

文摘

COVID-19是一种传染性疾病,主要影响呼吸系统。进行这项研究的时候,有超过140万例COVID-19,和一个最大的焦虑不仅仅是我们的健康,但是我们的生计。在本研究中,作者调查COVID-19对全球经济的影响,更具体地说,COVID-19对金融的影响流动的原油价格和三个美国股指收,标准普尔500指数和纳斯达克综合指数。提出了系统集成预测大宗商品和股票价格平稳小波变换(SWT)和双向长期短期记忆(BDLSTM)网络。首先,SWT用于将数据分解成近似系数和细节。分解后,原油价格和股票市场指数的数据连同COVID-19确诊病例被用作未来价格波动预测输入变量。结果,提出系统BDLSTM + WT-ADA取得了令人满意的结果的五天的原油价格预测。

1。介绍

传染病一直是威胁人类,尤其是那些很少或没有什么是已知的。世界卫生组织(世卫组织)将流行描述为“在世界范围内传播的疾病”,尽管在这种时候最关心的是如何挽救人类的生命,第一个目标后是如何拯救经济和保持健康1]。在最近的历史中,可以观察到西班牙流感的影响对经济(1918 - 1919)。据疾病控制和预防中心(CDC)估计,大约有5亿人患上了疾病,最终把全世界约5000万人的生活(2]。尽管从20世纪初的经济数据非常罕见,它指出,企业倒闭导致了失业率的影响,和幸存下来的企业遭受巨大损失。流行的比较可以从最近的过去,。在2003年的SARS(严重急性呼吸系统综合症),持续了不到一年,业务看到巨大的收入下降。类似的场景发生在2009年H1N1流感的扩张引发了无数的后果(3,4]。等流行病COVID-19必将对全球经济有重要影响,以及对金融市场产生影响。从24日到2020年2月28日,全球股市报道2008年金融危机以来的最大单周下跌。交易员开始出售股票的恐惧,因此,市场整体断路器是引发了四次(3月5,6]。每15分钟的休息都是希望局势平静下来。每个大流行是独一无二的,它不太可能期望相同的结果,但方向和运动可以预测重要的及时响应。最近发生的大流行创造了供应和需求冲击是与其他危机相比明显不同。从供应减少由于惊人的关闭工厂和劳动力短缺,同时全球经济需求冲击的影响,立即减少消费支出。这些冲击最终导致改变总供给和总需求下降,因此,在减少国家和全球国内生产总值(gdp)的产品。

预测股票价格一直被认为是一个具有挑战性的任务因为股票市场往往是不稳定的,非线性、高噪声(7]。人工智能(AI)算法已被证明成功的解决问题,如预测股票价格(8)以及其他各领域的科学、技术和医学(9- - - - - -11]。众多因素影响金融市场表现,甚至金融专家发现,复杂作出准确的预测。算法可以有效的大宗商品和股市预测是一个双向长期短期记忆(BDLSTM) [12]。该算法结合双向网络(BDRNN)和复发的长期短期记忆(LSTM)细胞。这样的组合使BDLSTM LSTM的优势与反馈下一层(13]。

Althelaya et al。(2018)展示了最具挑战性的现实的应用程序中使用BDLSTM时间序列预测(14]。贾庆林et al。(2019)显示使用双向LSTM预测格力股票价格的准确性,实现好的结果(15]。Eapen et al。(2019)提供了一个视角的结合卷积神经网络的多个管道和双向长期短期记忆单位和其使用股票市场指数预测(16]。

为了分解高复杂性大宗商品和股票市场指数的数据,同时保留平移不变性,平稳小波变换(SWT)是利用。因为SWT nondecimated移不变的,它可以用于特征提取、变化检测和模式识别。SWT可以描述如下:在每一个层面上,与高通和低通滤波器卷积信号之后,产生的序列具有相同数量的样本作为原始信号(17]。

白et al。(2016)证明的成功使用SWT和反向传播神经网络(摘要)预测每天的空气污染物的浓度,结果表明SWT-BPNN模型具有更好的预测性能的三个空气污染物比摘要模型没有SWT (18]。Supratid et al。(2017)显示油藏流入集成预测模型的发展,依赖于SWT和非线性自回归神经网络与外源输入(NARX),和取得良好的结果相对准确的预测19]。

我们三个主要指标,道琼斯工业平均指数,标准普尔500指数和纳斯达克综合指数,原油价格选择为研究对象。2000年样本数据选择从3月22日,2020年4月7日。王et al。(2012)之间的互关联显示原油市场,道琼斯工业平均指数,标准普尔500和纳斯达克综合指数股票市场从经济物理学的角度来看,他们发现,阐述行为原油市场和其他三个美国股市之间是非线性的和多重分形20.]。

为每个股票市场指数数据集(道琼斯工业平均指数,标准普尔500指数和纳斯达克综合指数)与原油价格得到从雅虎财经网站21虽然COVID-19确诊病例的数据是来自约翰霍普金斯大学系统科学与工程中心(JHU CSSE) [22]。当时,这项研究执行时,数据的商品和每个股票市场指数由4992数据点,被分为训练集和测试集。

本研究的目的是将SWT与BDLSTM为了预测上述大宗商品和股票市场指数的运动在COVID-19暴发。

COVID-19对全球经济造成了巨大的冲击包括商品价格以及股票市场(23]。以实现和预测的价格运动,预计将使一个提示和重大贡献的理解和应对COVID-19大流行对全球经济的影响。这种方法允许更有效的预测流感大流行期间,它将帮助降低的负面影响COVID-19在金融市场上为专家提供额外的信息和工具在他们的决策。集成的SWT BDLSTM应该帮助不仅在当前形势下,而且在未来的情况下类似于COVID-19为了能够反应时间和防止金融危机。

首先,每个数据集的原始数据将作为输入变量,以预测未来价格运动利用BDLSTM。第二,商品和每个股票市场指数的数据将被分解利用SWT为了获得近似系数和细节将被用来训练BDLSTM模型。之后,为每个配置系统将结果比较。第三,确诊病例的细节系数的影响预测的准确性将会检查。最后,表现最好的系统配置将使用为了显示的预测运动与128年原油价格在接下来的5天观察几天。该系统的概述图1。

2。材料和方法

本节提供的详细描述数据集用于预测价格走势以及简要概述和平稳小波变换的数学描述,双向递归神经网络,和双向长期短期记忆网络。在过去的两个部分,网格搜索算法和评估标准。

2.1。数据集描述

为了创建数据集用于这项研究、历史数据的西德克萨斯中质原油(WTI)价格和三个股指COVID-19确诊病例的数量。WTI可以被定义为北美的主要石油基准,而且是最具流动性的原油基准(24]。在石油市场,为原油基准作为定价参考。不同原油的成绩和品种的存在导致了使用基准衡量为了与他人比较的一种原油。WTI是轻质低硫石油,因为它的含硫量为0.24%;因此,它是理想的汽油(25]。

股指是道琼斯工业平均指数,标准普尔500指数和纳斯达克综合指数。这些指标的数据和原油价格时间从3月22日,2000年,07年4月,2020年,公开和来自雅虎财经网站21]。原油大宗商品和每个股票市场指数包含的数据容量和开放,高,低,价格接近每一天当金融市场开放。本研究的目的,只有使用收盘价。COVID-19确诊病例的数据是公开的,由约翰霍普金斯大学系统科学与工程中心(JHU CSSE)和由ESRI生活图集团队和约翰霍普金斯大学应用物理实验室(JHU APL) [22]。获得的数据包含确诊病例的数量(感染者)每天自年初以来COVID-19流行1月22日,2020年,直到2020年4月07年,。数据集被组织的方式列代表收盘价,而行代表数据收集的日期。此外,每个日期在2020年1月22日,确诊病例的数量在一个额外的列。数据集与收盘价上述索引、原油和COVID-19确诊病例组织多元时间序列数据和使用为了构建一个高效的深度学习模型。在人工智能的实现算法,使用小波变换(WT)是利用信号分解。

描述性统计的商品、股指和COVID-19确诊病例提供了表1。通过这些数据,每个数据集的特性可以被描述(26]。本研究中使用描述性统计的意思是,最大值,最小值,标准差,峰度和偏态。数据点的总数。,observations in each of the aforementioned datasets, is 4992, which were split into two parts. The first part (80% of the total number) is used for model training, while the second part (20% of the total number) is used in order to evaluate the performance of the trained models.

另外,每个数据集进行平稳性测试使用增强Dickey-Fuller (ADF)和Phillips-Perron (PP)单位根测试。水平和1日差异的结果是获得与拦截和趋势和拦截ADF和PP测试如表所示2。为了选择最优滞后长度ADF检验,施瓦兹信息准则(原文如此)是利用最大滞后的31。另一方面,在人民党测试中,巴特利特内核被用作谱估计方法以及Newey-West自动带宽选择。的价值最优滞后长度(ADF测试)和最优带宽(PP测试)为每个数据集是包围在圆括号中并在表2。ADF和PP测试的关键值与拦截−3.431479−2.861924,和2.567017−1%,5%,和10%,而关键值相同的测试,但趋势和拦截−3.959877−3.410705,和3.127138−1%,5%,10%。

从单位根测试的结果,可以得出结论,一系列商品和三个美国股市指数不拒绝零假设,可以视为不稳定除了纳斯达克综合水平,PP测试趋势和拦截显示−3.619394的价值。如果测试临界值5%的选择(−3.410705),可以拒绝零假设,和一系列的纳斯达克综合指数是静止的。此外,结果指出,大宗商品和股市三索引是固定在1日不同形式。

COVID-19确诊病例的情况,研究结果表明,PP系列拒绝零假设的测试与拦截和趋势和拦截在1日的区别,可以被认为是静止的。

2.2。数据与小波变换分解

小波变换(WT)是一个强大的信号处理的数学工具(27]。应用WT,信号可以分解为许多频段,可以简化分析过程。傅里叶变换(FT)的主要缺点是失去时间信息,而严谨的短时傅里叶变换(STFT)很大程度上取决于它的大小和形状的窗口。与英国《金融时报》和STFT, WT保持精确的时间和频率信息。自股票市场是不稳定的特点,非线性,嘈杂的,考虑上述缺点英尺和STFT, WT可以是一个适当的方法在处理经济和金融时间序列分析。小波变换的信号x(t)可以计算如下: 在哪里ψ代表了小波分析,代表复共轭,一个表示一个时间膨胀,τ代表时间翻译(28]。因此,离散小波变换(DWT)的信号x(米)可以定义如下(29日]:

cA获得近似系数和细节系数cD从原始信号x(米),DWT需要执行。DWT分解过程后,近似包含低频分量,而细节包含原始信号的高频成分。对于传统的DWT,每个分解级别后,信号摧毁。由于大量毁灭,DWT不是定常变换和它不适合在本研究数据预处理。这个缺点是可以克服的,利用DWT的扩展,如固定小波变换(SWT),解决了位移不变性的问题。SWT为特征提取是可行的,因移不变的变化检测和模式识别和nondecimated属性(30.]。在SWT,信号卷积后的高和低通滤波器,不执行大量毁灭;因此,获得系数cA和cD的数量在每个分解级别是一样的原始信号的样本数量。五级SWT输入信号的分解x(n)如图2。

为了获得一个好的原始信号的分解,迈耶离散小波是利用。迈耶波是一个线性相位,正交小波,它在频域定义如下(31日]: 在哪里是一个辅助函数,可以定义如下:

2.3。双向递归神经网络

复发性神经网络(RNNs)是一类人工神经网络(ann)与反馈连接(32]。单元之间的连接由一个有向循环形成。因此,在RNN模型中,一个信号可以旅行都向前和向后。在这样的网络中,知识可以表示的值输入之间的突触连接,隐藏层和输出层的神经元。RNNs背后的主要思想是利用连续的数据作为输入。RNN模型可以简化展开RNN架构的输入序列数据如图3。

传统的反馈神经网络处理数据只在一个方向上,但在某些领域,过去和未来信息是可取的。因此,在1997年,舒斯特尔和Paliwal引入双向递归神经网络(BRNN),其基本思想是将RNN架构通过引入额外的隐藏层,数据被放置在相反,消极的方向。隐层维护一个隐藏的状态可以定义如下: 正方向, 为负方向(33]。代表输入层和隐层之间的权重矩阵,代表输入向量,代表两个隐状态之间的权重矩阵,代表隐藏层的偏见,代表了激活函数。输出层可以定义如下: 在哪里代表了隐层和输出层之间的权重矩阵,代表了相同但在其他方向,是输出层的偏见33]。作为一个主要的缺点,BRNN在其基本形式不能模型复杂的动力学和它可以消失或爆炸的梯度。

2.4。双向长期短期记忆

克服上述问题的一个解决方案是使用双向长期短期记忆(BDLSTM)体系结构。这样的建筑不同于RNN建筑隐藏层。BDLSTM LSTM细胞为隐藏层,它包括三个盖茨:一个输入,一个忘记门,和一个输出通道。LSTM细胞可以在数学上定义如下34]:

在方程(8)- (12) 盖茨代表忘记,输入和输出,和代表权重矩阵,b是一个偏差向量,是一个乙状结肠激活函数,双曲正切是双曲正切函数,是细胞输出状态,层的输出,和运营商ʘelement-wise产品的向量。通过使用方程(5)- (11),向前和向后层输出可以计算。BRNN与LSTM细胞结合的结果是BDLSTM网络,从而模型更复杂的时间动态和处理长期依赖关系(35]。的架构展开BDLSTM图所示4。

通过使用输入正序,提出层输出序列计算,并利用反向输入,逆向层输出序列计算。每个元素的输出向量BDLSTM层可以计算如下: 两个输出序列结合利用在哪里σ函数(35]。在很多研究中,双向网络已被证明远比单向网络在各个领域,如语音识别(36],分类问题[37),并在股票价格预测38]。在这个研究中,BDLSTM训练为了预测价格运动的时期COVID-19对全球经济的影响是相对较高的。在BDLSTM层的输出向量,最后一个元素是为下一次迭代的预测价值。此外,为了防止网络过度拟合,辍学可以实现隐藏层(39]。

2.5。Hyperparameter优化

为了确定最佳的hyperparameters安,网格搜索算法被使用。该算法可以被描述为一个详尽的搜索一组手动指定参数(40]。因此,它遍历所有可能的参数组合,列车网络,最后将结果存储为每个组合。Hyperparameters可以描述如下41]:(我)隐层的大小定义两个整数,第一个代表隐藏层的数量,另一个定义了这一层的隐藏的神经元数量(2)激活函数决定了每个神经元的输出值的行为根据其输入值(3)优化器是用于最小化代价函数的值以提高指标重要的研究(iv)学习速率可以被视为一个hyperparameter调节体重调整(v)学习速率衰减技术在训练过程开始于一个大型的学习速率,然后衰变的时间(vi)正则化参数l2部队权重衰减至零,但不让他们零,以限制输入参数的影响

这种方式的算法可以找到最优hyperparameters模型,实现最精确的预测。hyperparameters调整在这个研究的数量BDLSTM隐藏层神经元,完全连接的数量(FC)隐藏层,激活函数,优化器,学习速度、学习速率衰减,正规化参数l2。hyperparameter空间显示在表的子集3。

2.6。评估标准

为了评估的性能模型,实现两个评估标准可以作为精度的措施。这些性能措施平均绝对误差(MAE)和均方根误差(RMSE),可以计算如下42]: 与是真正的信号作为预测的信号。较小的值的性能措施由方程(14)和方程(15)意味着更好的预测性能模型,反之亦然。

3所示。结果

预测结果获得了原油商品和道琼斯工业平均指数,标准普尔500指数和纳斯达克综合指数。对于每个数据集,SWT执行为了获得5点近似系数和细节分解水平使用迈耶离散小波函数。例如,这种分解原油价格如图的信号5,在那里年代是时间的股票收盘价格从3月22日,2000年,07年4月,2020年,cA和cD近似系数和细节。

三个主要系统配置检查为了达到高质量的回归和小值的性能的措施。在第一个配置中,nonpreprocessed数据用于训练BDLSTM模型,和在第二,BDLSTM模型训练通过近似和细节系数(广告)。最后,在最后一个配置,数据包含近似为大宗商品和股票指数价格和细节系数,但只有COVID-19确诊病例(ADA)的近似。绩效指标的值对原油和股票市场指数与系统配置如表所示4。

BDLSTM模型,达到最好的结果具有相同的架构大宗商品和股票市场指数。这样的架构包括三个隐藏层,前两个是BDLSTM层64隐藏神经元和最后一个是FC和12层隐藏的神经元。此外,辍学是应用于BDLSTM隐藏层的值0.1 0.2第一和第二层。所有的隐藏层使用双曲正切激活函数和亚当的优化器。最好的模型的学习速率为0.001,1的学习速率衰减e−6和0.0001的正则化参数。

COVID-19大流行期间,原油价格和其他股票市场之间的相关性研究中使用索引存在,和所有的数据可以重新排列和作为多元时间序列数据。这种方式,原油大宗商品的重要特征和三个股指可以为了预测的运动捕获一个更准确的价格。

利用原油数据的商品,三个股指,和信息的COVID-19确诊病例在过去的128天,预测了原油价格在接下来的五天,如图6。绩效指标的值对原油BDLSTM + WT-ADA系统配置如表所示5。

4所示。讨论

本研究提出了一个集成系统,BDLSTM + WT-ADA,大宗商品和股票价格波动预测在当前大流行。为了验证可行性,提出了系统与其他方法相比,在文献[43,44预测的股票价格。当所有结果总结,可以看出最小的RMSE值和梅是通过使用BDLSTM + WD-ADA系统配置。如果预测的三个系统配置进行比较,可以看出,所有的配置实现RMSE值0.04557或更小和梅价值0.03051或更小。这些结果令人满意的预测大宗商品和股票市场价格。此外,它的影响可以看出,通过仿真结果近似系数和细节体现。例如,最坏的结果为每个股票市场指数和原油大宗商品是通过使用原始nonpreprocessed数据。此外,最好的结果是通过使用该系统配置BDLSTM + WD-ADA最低的RMSE值(0.01450)和梅价值为道琼斯工业平均指数(0.01014)。这样的配置(ADA)使用五级分解利用SWT和迈耶离散小波函数。

原油是全球最重要的商品,是由供给和需求和其他好,但价格有波动的趋势比,例如,对金融市场股票和债券。随着原油价格的上升,所以做其他的燃料价格,增加生产价格。生产价格上涨导致更高的食品和工业产品的价格,从而产生通货膨胀。减少对原油的需求造成的各种影响,在这种情况下,全球大流行,导致原油价格混乱,正如前面提到的,对经济有深远的影响。出于这个原因,原油价格被选为五天的预测,可以非常有用的预见的事件。

之间的关系COVID-19确诊病例和原油价格是显著的。增加数量的情况下,正在采取措施减缓进一步传播。有些是关闭工厂,办公室和商店和限制运动。因此,需要更少的燃料汽车,机械,等。如果需求减少和供给不变,这就导致更低的商品价格和原油价格下跌45]。股市也是一样。如果公司在股票市场上减少或关闭操作,股东变得紧张和恐惧会发生什么公司的股票的价值在未来,是否会下降。他们开始出售股票,从而增加市场供应。确诊病例数量的增加和措施越来越严格,其他买家购买不感兴趣。如果有更多的参与者在市场上寻求出售股票比有一个收购股票的需求,股票价格就会下降。因此,包含大量数据(每天确诊病例)允许我们有更多准确的信息和更可靠的结果。

从预测原油价格运动的结果,可以看出,该系统配置能够准确五天的预测基于观察过去128天。在2月,原油价格下降的最初迹象是观察,那个时期,BDLSTM + WD-ADA系统配置成功预测价格的运动。对未来事件的预期非常重要在危机时期为了充分反应,启动措施和机制的保护和稳定经济。然而,由于全球原油的作用仍然不可替代的能源,它有一个直接影响地缘政治趋势。原油价格,从经济方面,很难准确地预测由于政治关系在三角形:USA-OPEC countries-Russia,很少是稳定的和总是扰乱供给和需求的经济模式在竞争激烈的市场中分销出去。因此,预测模型是有价值的和可以预见的事件顺序,但政治干预等因素,不能包含在模型中,也会影响价格,必须强调。

4.1。结果比较

结果表明原油价格之间的联系和活动COVID-19病例的数量。大部分研究领域的执行的经济影响COVID-19认为越来越多的活跃COVID-19情况下对全球市场产生很大的负面影响,如图所示。贝克使用灾害建模技术预测美国高达20%的国内生产总值(GDP)收缩收缩与90%置信区间预测(46]。户田拓夫显示一个临时的可能性50%股票价格降低使用经典的资产定价模型(47]。鲍德温和Tomiura认为有危险的永久损害贸易系统,根据政策执行(48]。阿特基森使用SJR马尔可夫的连锁酒店忠诚度奖励由模型来确定传播和评论重要金融和经济基础设施受影响的可能性暂时和永久由于可能的极端的人员短缺,在情况活动案例的数量超过10%的人口(49]。Albulescu调查COVID-19石油定价的影响,由于初始下降20%造成的市场被注入了石油50]。自回归分布滞后(ARDL)估计由作者表明,每日新感染造成的影响甚微,但一个更大的间接影响是由于金融市场波动的放大,符合预测下降了。费尔南德斯观察七种不同的场景在COVID-19的全球宏观经济影响方面,认为即使是很小的,控制,影响可以在全球市场上有很大的负面影响(51]。麦基宾和费尔南多分析报告来自30个国家在不同的场景和得出结论,可能COVID-19对世界经济的影响被低估,特别是在大量面向服务的国家(23]。费尔南德斯讨论的一个可能的问题是低估影响由于建模基于先前SARS infections-showing需要更新,快速建模技术,可,这和其他文件所示,基于ai (52,53]。

5。结论

本研究的目的是生成相结合的预测模型平稳小波变换和双向长期短期记忆网络为了预测大宗商品和股票价格运动期间COVID-19大流行。结果使用提出BDLSTM + WT-ADA配置系统表明,除了传统的统计模型,人工智能算法可以用来预测金融市场的波动。本文的特点是COVID-19确诊病例信息作为输入数据与美国股市三大股指随着原油价格的商品。全球经济的正常运作,是非常重要的,原油市场稳定和安全的交付。全球经济缓慢复苏自2007 - 2008年的金融危机,但COVID-19爆发已经显示出对能源价格以及股票市场产生巨大影响。我们的系统显示原油价格的下降。除了通过预测未来事件的方法,重要的是要注意,地缘政治方面是间接包含在模型通过输入数据。因此,它不可能清晰地定义地缘政治方面的影响在这里提出的模型。它可以在这个模型中假定的地缘政治方面是可以忽略不计,但它对全球经济产生重大影响。

观察期间用于分析的极端市场上石油库存增加。由于这种过剩从最重要的出口国(例如,欧佩克国家)和市场上的主要参与者之间的地缘政治问题,价格也因此下滑。后后的趋势进行了研究,得出的结论是,尽管COVID-19确诊病例的数量增加,市场逐渐调整油价由于减产联合协议(降低供应方面),另一方面市场的逐步开放和恢复的需求。合乎逻辑的后果是日益增长的需求在全球范围内同时改善石油出口国之间的关系,导致临时市场稳定。

意想不到的情况下如大流行有很大影响市场基本面在短期内,并与索引和石油有相关性。将在一段时间的进一步观察,并通过几个月逐渐开放的经济体,有稳定的供应和需求,对市场均衡的形成有积极的影响。股指的持续运动,尤其是这种积极运动,并不能反映经济真实情况,但主要是基于预期,进一步刺激了货币和财政激励措施(例如,削减利率和减少税收)从国家政府。

提出了研究的主要贡献和新奇的存在不仅是展示COVID-19感染之间的联系和大宗商品价格以及股票市场价格,但显示相同的可以通过使用数据驱动建模,基于人工智能建模方法。

未来的工作应该使用数据集的数据点,即,long time historical intraday data in order to achieve more precise forecasting. Also, apply more AI algorithms such as dynamic programming (DP), genetic programming (GP), and combination of convolutional neural networks (CNNs) with LSTM network in an attempt to find more robust systems. The main idea of using such algorithms will be to develop an advanced automatic forecasting system with the capability of recognizing the positive correlation between financial markets.

数据可用性

本研究使用公开金融市场数据发布的雅虎财经网站和公开数据集“2019”新型冠状病毒数据存储库由约翰霍普金斯大学系统科学与工程中心(JHU CSSE)。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这个研究(部分)支持的CEEPUS网络ciii -人力资源- 0108,欧洲区域发展基金资助下KK.01.1.1.01.0009 (DATACROSS)项目下CEKOM格兰特KK.01.2.2.03.0004,大学里耶卡科学格兰特uniri - tehnic 18 - 275 - 1447。

引用

1. 世界卫生组织(who),”大流行是什么?“2010,https://www.who.int/csr/disease/swineflu/frequently_asked_questions/pandemic/en/。视图:谷歌学术搜索
2. d . m . Morens g·k . Folkers, a福奇由“大流行是什么?”《传染病杂志》上,卷200,不。7,1018 - 1021年,2009页。视图:出版商的网站|谷歌学术搜索
3. r .松树和b . McKercher SARS在香港旅游业的影响,“国际现代酒店管理杂志》上,16卷,不。2、139 - 143年,2004页。视图:出版商的网站|谷歌学术搜索
4. m .猎人”业务和entrepreneurable进化的一个简短的历史在20世纪:新千禧年的趋势,”地缘政治、历史、国际关系,5卷,不。1,44 - 98,2013页。视图:谷歌学术搜索
5. p . k . Ozili和a . Thankom COVID-19溢出:对全球经济的影响,”SSRN电子杂志,2020年。视图:出版商的网站|谷歌学术搜索
6. r . n .赖和y张溢出和盘中放牧对跨境上市股票的盈利能力,”中国经济,53卷,不。1、25 - 61年,2020页。视图:出版商的网站|谷歌学术搜索
7. w·黄y Nakamori, S.-Y。王”,与支持向量机预测股市运动方向,”电脑与行动研究,32卷,不。10日,2513 - 2522年,2005页。视图:出版商的网站|谷歌学术搜索
8. z高,“人工智能在股票投资中的应用”,物理学杂志》:会议系列文章ID 012069卷,1453年,2020年。视图:出版商的网站|谷歌学术搜索
9. j·l·金,美国Li Yu, j .他“机器人机械手控制使用神经网络:一项调查,“Neurocomputing卷。285年,23-34,2018页。视图:出版商的网站|谷歌学术搜索
10. i Lorencin: Anđelić、诉Mrzljak和z汽车,“遗传算法方法设计的多层感知器联合循环发电厂电力输出估计,“能量,12卷,不。22日,第4352页,2019年。视图:出版商的网站|谷歌学术搜索
11. i Lorencin: Anđelić、j .Španjol和z汽车,“使用多层感知器和拉普拉斯算子边缘检测器对膀胱癌诊断,”人工智能在医学上文章ID 101746卷,102年,2020年。视图:出版商的网站|谷歌学术搜索
12. I.-T。Joo工程学系。崔”股票预测模型基于递归神经网络双向LSTM,”《韩国研究所的信息,电子和通信技术,11卷,不。2、204 - 208年,2018页。视图:谷歌学术搜索
13. i . n . Yulita Fanany, a . m . Arymuthy和a . Murni Arymuthy,“双向长期短期记忆深处信仰用量化的数据网络的睡眠阶段分类,“Procedia计算机科学卷,116年,第538 - 530页,2017年。视图:出版商的网站|谷歌学术搜索
14. k . a . Althelaya E.-S。m . El-Alfy,穆罕默德,“评价双向lstm时候长期股票市场预测,”学报》2018年第九届国际会议信息和通信系统(ICICS)2018年4月,马林,约旦,。视图:出版商的网站|谷歌学术搜索
15. m·贾黄j . l .庞,赵,“分析和研究股票价格的LSTM和双向LSTM神经网络”第三届国际会议上计算机工程学报》上,信息科学与应用技术(ICCIA 2019)重庆,中国,2019年5月。视图:出版商的网站|谷歌学术搜索
16. j . Eapen d·拜因,a Verma”小说深度学习模型与CNN和双向LSTM改善股票市场指数预测,”学报2019年IEEE 9日年度计算和沟通研讨会和会议(CCWC)美国拉斯维加斯,NV, 2019年1月。视图:出版商的网站|谷歌学术搜索
17. r·s·h·Istepanian x h . Wang,黄懿慧勇华歌,“微阵列由使用平稳小波变换去噪,图像增强”IEEE生物科学,卷2,不。4、184 - 189年,2003页。视图:出版商的网站|谷歌学术搜索
18. 李y, y呗,x, j .谢和c·李,“空气污染物浓度预测使用反向传播神经网络基于小波分解与气象条件,”大气污染研究,7卷,不。3、557 - 566年,2016页。视图:出版商的网站|谷歌学术搜索
19. 美国Supratid、t . Aribarg和s . Supharatid”集成的平稳小波变换和非线性自回归神经网络与外源输入基线和未来的预测油藏流入,”水资源管理没有,卷。31日。12日,第4043 - 4023页,2017年。视图:出版商的网站|谷歌学术搜索
20. G.-J。小王和c·谢”之间的互关联WTI原油市场和美国股票市场:经济物理学的角度看,“Acta自然史Polonica B,43卷,不。10日,2021 - 2036年,2012页。视图:出版商的网站|谷歌学术搜索
21. 2020年雅虎财经,https://finance.yahoo.com/。
22. 约翰·霍普金斯CSSE新型冠状病毒(COVID-19)病例,2020,https://github.com/CSSEGISandData/COVID-19。
23. w·j·麦基宾和r·费尔南多”的全球宏观经济影响COVID-19:七个场景,”2020年。视图:谷歌学术搜索
24. Y.-J。张和j .王”,探索WTI原油价格泡沫过程使用马尔可夫体制转换模型,”自然史答:统计力学及其应用卷,421年,第387 - 377页,2015年。视图:出版商的网站|谷歌学术搜索
25. h . Chiroma s abdul kareem y萨迪et al .,“仿生算法优化的神经网络预测迪拜原油价格”国际会议数据工程学报2015(别名- 2015),新加坡,2019年。视图:出版商的网站|谷歌学术搜索
26. 美国Khuntia和j·k·Pattanayak适应性市场假说和演进的比特币的可预测性,”经济学的信件卷。167年,途径的2018页。视图:出版商的网站|谷歌学术搜索
27. o . Rioul和m . Vetterli”小波和信号处理IEEE信号处理杂志,8卷,不。4,14-38,1991页。视图:出版商的网站|谷歌学术搜索
28. k . Samiee、p·科瓦奇和m . Gabbouj“脑电图的癫痫发作分类时间序列使用rational离散短时傅里叶变换,“IEEE生物医学工程,卷62,不。2、541 - 552年,2014页。视图:出版商的网站|谷歌学术搜索
29. g . Tzanetakis g . Essl发表,p .做饭,“音频分析使用离散小波变换,《会议音响和音乐理论的应用,66卷,2001年。视图:谷歌学术搜索
30. m . Bessec和j . Fouquau”短期电力负荷预测的组合平稳小波变换,“欧洲运筹学杂志》上,卷264,不。1,第164 - 149页,2018。视图:出版商的网站|谷歌学术搜索
31. d . Bhati r . b . Pachori m·沙玛和v . m . Gadre”设计time-frequency-localized双波段正交小波滤波器,”电路、系统和信号处理,37卷,不。8,3295 - 3312年,2018页。视图:出版商的网站|谷歌学术搜索
32. m .红柳桉树和n·萨利姆递归神经网络和离散小波变换来预测沙特股票价格趋势,”国际期刊《先进的计算机科学和应用程序,10卷,不。4、155 - 162年,2019页。视图:出版商的网站|谷歌学术搜索
33. m·舒斯特尔和k . k . Paliwal”双向复发性神经网络”,IEEE信号处理,45卷,不。11日,第2681 - 2673页,1997年。视图:出版商的网站|谷歌学术搜索
34. l . y . Liu关,c .侯et al .,“风能短期预测LSTM和离散小波变换的基础上,“应用科学,9卷,不。6,1108年,页2019。视图:出版商的网站|谷歌学术搜索
35. 崔z . r .柯z, Pu, y,“深双向和单向LSTM全网流量速度递归神经网络预测,”2018年。视图:谷歌学术搜索
36. a·格雷夫斯:Jaitly和联合。默罕默德,”与深双向LSTM混合语音识别,”学报2013年IEEE研讨会自动语音识别和理解奥,捷克共和国,2013年12月。视图:出版商的网站|谷歌学术搜索
37. O。Yildirim”一种新的小波序列基于深度双向LSTM网络模型对心电图信号分类,“计算机在生物学和医学卷,96年,第202 - 189页,2018年。视图:出版商的网站|谷歌学术搜索
38. 问:诸葛、l .徐和g .张“LSTM神经网络与情感分析股票价格的预测,”工程的信,25卷,p。2017。视图:谷歌学术搜索
39. y加和z Ghahramani”,理论上接地辍学在复发性神经网络中的应用,”诉讼进展的神经信息处理系统2016年12月、西班牙的巴塞罗那。视图:谷歌学术搜索
40. f . j .连接部分,g·f·阿莫林,p . p . Balestrassi a . p . Paiva和j·r·费雷拉”实验设计和集中网格搜索优化神经网络参数,“Neurocomputing卷。186年,22-34,2016页。视图:出版商的网站|谷歌学术搜索
41. l . Buitinck”API设计机器学习软件:从scikit-learn项目经验,”2013年。视图:谷歌学术搜索
42. g . Brassington”,平均绝对误差和均方根误差:更好的指标来评估模型的性能是哪一个?”EGU大会会议摘要,19卷,2017年。视图:谷歌学术搜索
43. T.-J。谢长廷,H.-F。萧,观测。叶”,预测股市递归神经网络:利用小波变换和基于人工蜂群算法,一个集成的系统”应用软计算,11卷,不。2、2510 - 2525年,2011页。视图:出版商的网站|谷歌学术搜索
44. 美国Lahmiri,”小波低收入和高频分量作为特征与反向传播神经网络预测股票价格,”沙特国王大学计算机与信息科学杂志》上,26卷,不。2、218 - 227年,2014页。视图:出版商的网站|谷歌学术搜索
45. r . Madhumathi衍生品与风险管理培生教育印度,班加罗尔,卡纳塔克邦,2014年。
46. s r·贝克Covid-Induced经济不确定性:没有。W26983国家经济研究局(National Bureau of Economic Research),剑桥,妈,美国,2020年。
47. a . a .户田拓夫”Susceptible-infected-recovered(先生)covid-19动力学和经济的影响,”文章ID 11221, 2020。视图:谷歌学术搜索
48. r·鲍德温和大肠Tomiura”,先考虑COVID-19的贸易影响,”经济COVID的时间卷。19日,59岁的2020 p。视图:谷歌学术搜索
49. a·阿特基森COVID-19对经济的影响将会是什么在美国?粗略估计疾病的场景。不。w26867国家经济研究局(National Bureau of Economic Research),剑桥,妈,美国,2020年。
50. c . Albulescu冠状病毒和石油价格暴跌,2020。视图:谷歌学术搜索
51. 冠状病毒疫情n·费尔南德斯,”经济的影响(COVID-19)对世界经济,”2020年。视图:谷歌学术搜索
52. z汽车,s . b .Šegota n . AnđelićLorencin,诉Mrzljak,“建模使用多层感知器COVID-19感染的传播,”计算和数学方法在医学卷,2020篇文章ID 5714714, 10页,2020。视图:出版商的网站|谷歌学术搜索
53. b·考尔”,关闭和reboot-preparing最小化感染post-COVID-19时代,“《柳叶刀》杂志上的数字医疗,卷2,不。6,pp. e293-e294, 2020年。视图:出版商的网站|谷歌学术搜索

版权

版权©2020丹尼尔Štifanićet al。这是一个开放的访问分布在条知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。