DLI:深上优于格兰杰因果推理

文摘

整合autoencoder (AE),长期短期记忆(LSTM)和卷积神经网络(CNN),我们提出一个可判断的深度学习架构格兰杰因果推论,名叫深上优于格兰杰因果推理(DLI)。两个提议的DLI贡献是揭示比特币价格与标准普尔指数之间的格兰杰因果预测比特币的价格和标准普尔指数更高的精度。实验结果表明,有一个双向但不对称比特币价格与标准普尔指数之间的格兰杰因果关系。和DLI执行上级预测精度通过集成变量与目标变量到预测过程中伤亡。

1。介绍

时间序列是一系列的观测值在时间顺序排列的一个变量,反映这一现象本身的变化随着时间的推移,如果没有外生变量。一般来说,时间序列分析更关注于基于现有的历史数据预测未来(1- - - - - -3)比解释变量之间的可能存在的伤亡。探索伤亡在金融时间序列可以为项目组合管理(重要4]。分散cryptocurrency,比特币已经吸引了越来越多的投资者和交易员由于近年来高投资回报(5]。从2014年1月1日,12月31日,2018年,比特币的价格从771美元到3742美元(美元),这使得cryptocurrency比特币有前途的投资。有趣的是,Yermack [6)断言,比特币不是一种货币作为记账单位表现不佳和作为价值储存手段。和Corbet et al。7)支持的结论Yermack比特币是投机性资产而不是货币。此外,Dyhrberg [8]证明了比特币可以作为对冲股票市场,这是一个有用的工具为投资组合多样化和风险管理。因此,它是非常重要的对于投资者和交易员预测比特币的价格和波动的原因进行调查。

在大多数情况下,金融时间序列之间的因果关系推理是基于格兰杰因果关系(9]。预测的因果关系,格兰杰因果关系是指时间序列xGranger-causesy如果x对未来值的值提供显著的信息y,即,predictions ofy根据其值之前,和之前的值x比预测的y只有基于其先前的值。一些传统方法格兰杰因果推理主要包括向量自回归(VAR) (10),向量误差修正模型(结果)11),及其变体(12,13]。VAR和结果是有效的大多是当输入是静止的数据。然而,一些单位根检验方法的结果,如ADF [14),显示,大多数经济时间序列并不是静止不动的,虽然他们可能预处理后固定。因此,传统的格兰杰因果推理的非平稳时间序列需要预处理输入达到一个平稳序列,这可能带来预试扭曲。瓦尔德测试(15)吸引了太多的关注,因为没有事前测试失真,它是基于标准的渐近线的分布,不管数据的单位根和协整的属性(16]。然而,瓦尔德测试方法可能是低效的,因为它故意overfits VAR。此外,这些提到的方法并不善于捕捉复杂的输入数据。

深上优于架构数据从输入可以学习更抽象的表示没有数据平稳性的要求。Chong et al。17)提出了一种基于深度学习股市预测模型检查的能力三个无监督特征提取方法预测未来市场的行为。基于深度学习模型,陈et al。18)建立了一个计算机辅助医疗诊断和决策支持系统的数据图像。长等。19)提出了一个multifilter神经网络集成的卷积和复发性神经元对经济时间序列特征提取样品和价格波动预测。和前面提到的深度上优于预测模型取得了有前途的预测性能。Lahmiri和Bekiros20.]采用LSTM cryptocurrency预测,证明了深度学习是高效cryptocurrency固有的混沌动力学预测市场。这些提到的深度上优于模型容易执行比传统的计量经济学方法,这表明深上优于架构是在处理金融时间序列数据更有效。

在本文中,我们建立一个基于深度学习格兰杰因果推理架构,名叫DLI,由AE, CNN, LSTM。两个贡献我们的工作正在探索比特币价格与标准普尔指数之间的格兰杰因果关系和预测精度高的比特币价格和标普指数。

本文的其余部分组织如下。可用数据集提出了我们使用的部分2。提出DLI部分中描述3。介绍了部分实验结果4。我们的贡献和未来的工作进行了总结5。

2。数据

我们把比特币的价格¹和S指数代替²实验数据集。他们可以从雅虎网站,下载和他们的相对价格在美元。不失一般性,我们以每日收盘价为一天的价格。比特币价格的描述性统计和标准普尔指数从1月1日,2014年12月31日,2018年,可以在表中找到1。比特币的样品价格和标准普尔指数包含1826年和1258年的数据点,分别。由于股票市场通常是因节假日或其他原因,我们使用AE删除数据噪声引起的默认值。

获得一个理想的模型,我们把实验数据分成三个部分:70%的训练数据集,验证数据集,10%和20%的测试数据集。训练数据集是一个良好的模型,验证数据集是进一步确定整个网络的参数,和测试数据集测试模型的泛化能力。

3所示。模型开发

Autoencoder深是一个简单但强大的无监督学习模型。典型的AE由三层组成:输入层、隐藏层和输出层,如图1。及其输出层是一个近似重建的输入层,可用于过滤和代表性的学习。提出DLI,我们采用AE作为一个过滤器来消除干扰来源输入,这有助于提高预测精度。

长期短期记忆是一个广泛使用的深度学习模型,其重点是处理序列数据,如时间序列数据和演讲。这是一个递归神经网络的延伸通过添加门机制,它显示了一个更好的性能在长期预测。提出DLI,我们希望它能达到一个长期的准确预测通过引入LSTM模型。

卷积神经网络也是一个广泛使用的深度学习模式21),其重点是处理时间序列数据(1 d CNN)图像(2 d CNN),视频或医学图像(3 d CNN)。CNN包括卷积层和汇聚层,如图1。它可以极大地减少参数和加快地方接受培训的领域,共享的权重。此外,勒存和Bengio [22]表明,时间序列有强烈的一维结构:时空附近的变量高度相关,和CNN可以有效地提取时间序列的空间特征。因此,CNN是引入该DLI提取空间特征和加速训练。

图1显示的图解说明DLI由AE, CNN, LSTM。我们假设这两个标准普尔指数( )和比特币的价格( )时间序列的长度吗 ,在哪里 和 。让标准普尔指数在时间和比特币的价格 。

DLI包含三个处理阶段:去噪、特征提取、和预测。节中描述2,因为股票市场通常是因节假日或其他原因,标准普尔指数时间序列有很多默认值。因此,在去噪阶段,AE首先用于数据过滤去除噪音标准普尔指数。在特征提取阶段,运用标准普尔指数和比特币的价格将作为输入CNN和LSTM提取深表示,分别。在预测阶段,我们将获得比特币价格预测通过一个完全连接层。

DLI的优化模型的重建误差降到最低AE和整体的训练误差模型。在去噪阶段,AE的输出是一个近似输入的副本。因此,我们必须最小化重建输入和输出之间的误差,从而保持标普指数的经济意义。AE的重建误差定义如下: 在哪里和是激活函数,和权重,和是偏见。

有必要获得一个良好的模型的训练误差最小化整个模型。整个模型的目标函数可以被描述为 在哪里表示预测的价值。

4所示。实证结果

在本部分中,我们将探讨比特币价格与标准普尔指数之间的格兰杰因果关系。调查是否标普指数Granger-causes比特币的价格,我们首先预测比特币价格不考虑标普指数,如图2。相比之下,我们把标普指数作为辅助信息来预测比特币价格,如图3。同样,调查是否比特币价格Granger-causes标普指数,我们首先预测标普指数不考虑比特币价格,如图4。相比之下,我们将比特币的价格作为辅助信息来预测标普指数,如图5。此外,我们采用传统方法ARIMA说明了模型的优越性。由于连续值的预测,我们使用根均方误差(rmse)作为预测性能指标。RMSE值越小,更好的预测性能。和相应的预测均方根如表所示2。

从表2,我们可以看到,比特币的价格预测的RMSE DLI相比减少了92.10%和23.32%的ARIMA和LSTM,分别。和标普指数预测的RMSE DLI显著减少98.06%和50.96%与ARIMA和LSTM相比,分别。上述结果表明,比特币价格和标普指数预测性能将提高考虑标普指数和比特币价格,分别。和标普指数的预测性能改进比比特币的价格更重要。因此,我们可以得出这样的结论:有一个双向但不对称比特币价格与标准普尔指数之间的格兰杰因果关系。

5。结论

在本文中,我们提出了一个基于可判断的深度学习格兰杰因果推理架构通过整合AE, CNN, LSTM, DLI命名。提出DLI,深度上优于模型,与传统的计量经济学模型的另一个优点是,它可以处理大数据高效、保持其原始数据预处理后经济意义的变量。

我们两个的贡献正在探索比特币价格与标准普尔指数之间的格兰杰因果关系和预测精度高的比特币价格和标普指数。我们的实验揭示了双向但不对称比特币价格与标准普尔指数之间的格兰杰因果关系。和DLI执行上级预测精度通过集成变量与目标变量到预测过程中伤亡。

在未来的工作中,该DLI可以扩展到其他经济变量为项目组合管理提供合理的参考,也可用于预测在其他科学领域。此外,DLI也可以从两个变量扩展到多变量来确定伤亡multitime系列之一。

数据可用性

原始数据支持了本文的结论将由作者提供,没有过度的预订,任何合格的研究人员。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

作者承认中国的国家自然科学基金(批准号11801060),山东科技大学创新项目(没有。SDKDYC190114)。

引用

1. z, t .任、h·肖和w·刘”Time-consistent投资保险公司和再保险策略下的多阶段的均值-方差公式与广义相关回报,”管理科学与工程》杂志上,4卷,不。2、142 - 157年,2019页。视图:出版商的网站|谷歌学术搜索
2. 周k, k, l . et al .,“多重卷积神经网络的多变量时间序列预测,“Neurocomputing卷,360年,第119 - 107页,2019年。视图:出版商的网站|谷歌学术搜索
3. a . Yadav, c . k . Jha和a . Sharan”优化LSTM在印度股市时间序列预测,“Procedia计算机科学卷,167年,第2100 - 2091页,2020年。视图:出版商的网站|谷歌学术搜索
4. m . Briere k Oosterlinck, a . Szafarz”虚拟货币,有形的回报:比特币投资组合多样化,”《资产管理,16卷,不。6,365 - 373年,2015页。视图:出版商的网站|谷歌学术搜索
5. y . g . Wang, c .谢和s·陈是比特币避险或对冲资产?来自中国的证据。”管理科学与工程》杂志上,4卷,不。3、173 - 188年,2019页。视图:出版商的网站|谷歌学术搜索
6. d . Yermack”章2是比特币的货币吗?在一个经济评估。手册的数字货币,李郭村Ed, pp, 31-43学术出版社,剑桥,妈,美国,2015年。视图:谷歌学术搜索
7. Corbet, b .使用清洁、m .泥炭和环,“比特币futures-what用他们吗?”经济学的信件卷。172年,汽车2018页。视图:出版商的网站|谷歌学术搜索
8. a . h . Dyhrberg”比特币的套期保值功能。这是虚拟黄金吗?”金融研究快报》16卷,第144 - 139页,2016年。视图:出版商的网站|谷歌学术搜索
9. c·w·j·格兰杰,”研究因果关系的计量经济模型和交叉谱方法,”《计量计量经济学会》杂志上,37卷,不。3、424 - 438年,1969页。视图:出版商的网站|谷歌学术搜索
10. x侯,s . Li w·李,王,“银行多元化和流动性创造:面板格兰杰因果来自中国的证据,”经济模型卷,71年,第98 - 87页,2018年。视图:出版商的网站|谷歌学术搜索
11. 孟x和j .汉”道路,经济、人口密度和CO 2: city-scaled因果关系分析,“资源保护和回收卷,128年,第515 - 508页,2018年。视图:出版商的网站|谷歌学术搜索
12. t . Chang f . Gatwabuyege r·古普塔r . Inglesi-Lotz n . c . Manjezi和b . d . Simo-Kengne“核能源消费和经济增长之间的因果关系G6国家:从面板格兰杰因果检验的证据,”发展核能源卷,77年,第193 - 187页,2014年。视图:出版商的网站|谷歌学术搜索
13. y赵,s A·比林斯h·魏f .他和p·g . Sarrigiannis”一个新的NARX-based格兰杰线性和非线性休闲影响脑电图数据与应用程序检测方法,”神经科学杂志》上的方法,卷212,不。1,第86 - 79页,2013。视图:出版商的网站|谷歌学术搜索
14. d·a·迪基和w·a·富勒分布估计的自回归时间序列单位根,”美国统计协会杂志》上,卷74,不。366年,第431 - 427页,1979年。视图:出版商的网站|谷歌学术搜索
15. h . y .户田拓夫和t .山本统计推断与可能综合向量自回归过程,”计量经济学杂志,卷66,不。1 - 2、225 - 250年,1995页。视图:出版商的网站|谷歌学术搜索
16. r . s .黑客和a . Hatemi-J”测试使用渐近和引导分布综合变量之间因果关系:理论和应用,“应用经济学,38卷,不。13日,1489 - 1500年,2006页。视图:出版商的网站|谷歌学术搜索
17. e .庄、c·汉和f . c .公园,“深度学习网络股票市场分析和预测:方法论、数据表示,和案例研究,“专家系统与应用程序卷,83年,第205 - 187页,2017年。视图:出版商的网站|谷歌学术搜索
18. l . a . Chen Zhu h .藏z,叮,和美国詹,“计算机辅助诊断和医疗数据分析决策系统:一个案例研究在前列腺图像,先生”管理科学与工程》杂志上,4卷,不。4、266 - 278年,2019页。视图:出版商的网站|谷歌学术搜索
19. 陆w .长,z, l .崔”深上优于特性为股票价格运动预测工程,“以知识为基础的系统卷,164年,第173 - 163页,2019年。视图:出版商的网站|谷歌学术搜索
20. 美国Lahmiri和s Bekiros”秘密货币”的方法与深度学习混沌神经网络预测,混乱,孤波和分形卷。118年,35 - 40,2019页。视图:出版商的网站|谷歌学术搜索
21. 郑y、x l .徐和l . y .气”深CNN-assisted个性化推荐在移动无线网络大数据,”无线通信和移动计算,卷2019,p . 6082047, 2019。视图:出版商的网站|谷歌学术搜索
22. 勒存y和y Bengio”卷积网络图片,语音,和时间系列中,“大脑理论和神经网络的手册,卷3361,不。10日,1995年。视图:谷歌学术搜索

版权

版权©2020魏彭。这是一个开放的分布式下文章知识共享归属许可,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。