文摘

在宏观经济层面,股票市场指数的运动,它是由世界各地的其他股票市场指数的波动或在这一地区,是一个主要因素在评估全球经济和金融形势,使其监控的一个关键主题。因此,可能可靠地预测未来股票市场指数的价值考虑到贸易关系是至关重要的。研究的目的是创建一个时间序列数据预测模型,其中包括许多时间序列数据分析模型的最佳特性。混合整体模型建立在这项研究是由两个主要组件,每个都有其自己的一组函数来自CNN和LSTM模型。为多个并行金融时间序列估计,该模型称为多元CNN-LSTM。进化的整体模型的有效性COVID-19大流行期间测试使用正则股指从四个亚洲股票市场:上海、日本、新加坡和印度尼西亚。CNN和LSTM相比,实验结果表明,多元CNN-LSTM统计准确性和可靠性最高(RMSE值最小)。这个发现支持使用多元CNN-LSTM预测不同的股票市场指数的价值,它是一个可行的选择研究涉及发展的金融时间序列预测模型研究。

1。介绍

数据集的研究,随着时间的推移,被称为时间序列数据分析。时间序列数据集跟踪测量相同的组件。来衡量公司的表现,金融分析师使用时间序列数据,如股票价格波动或利润随时间(1]。在宏观经济层面,股票市场指数的运动,这是一个金融时间序列统计,通常是相关的重要指标,决定了一个国家的经济状况,使其随着时间的推移一个至关重要的问题是研究[2]。股票市场指数的运动是由各种内部和外部的影响,包括国内外的经济环境下,国际形势,产业前景,和股票市场业务,但是它主要是影响股票市场指数的历史意义3,4]。

之前的研究也表明系列之间的复杂的关系中可以找到各种各样的相关时间序列数据真实的过程在经济和金融领域3]。它也知道几个时序随时间一起旅行,因为这些相互关系。这很好理解,例如,一个股票市场指数的运动在一个国家受到全球其他股市指数的运动或在那个地区。这些发现证实了的工作3,5- - - - - -7]。

然而,大多数发达时间序列预测方法single-stand-alone算法,利用单变量时间序列分析,而很少有人注意预测过程使用的动态观察系列之间的相互作用。此外,突出时间序列值的运动过程中只使用一个单一的算法有一些严重的缺陷,它是否是一个计量经济学时间序列预测模型或机器学习像一个人工神经网络模型。这是归因于高噪音和金融时间序列的波动以及独立和相关的变量之间的关系受到不可预测的随时间变化(8]。这个概念也与先前的研究领域的神经网络,发现没有一个模型总是优于其他所有现实问题(9]。因此,在当前的金融时间序列数据分析和建模阶段,整合最好的算法能够利用不同的优势被每个算法通过创建一个合奏,多个预测模型相结合,已经成为经济增长路径(8- - - - - -11]。

根据上面列出的条件,两个关键问题领域的金融时间序列数据预测可以报告。第一,没有特定的方法通常可以预测金融时间序列数据的运动最大的精度。第二,尽管金融时间序列数据的变量之间的相互依赖关系是众所周知的(例如,股票市场指数的运动通常是由其他市场),大多数预测模型仍然依赖于单变量分析。

符合这一点,这项研究的目的是开发一个时间序列数据预测模型,结合多个时间序列数据分析模型的最佳特性。混合集成模型在这项研究包含两个关键组件与独特的功能:(1)从观察到的时间序列数据中提取重要特征,(2)使用描述时间序列数据的预测价值功能。完成第一个函数,深度学习模型命名为卷积神经网络(CNN),已被证明有良好的性能在特征提取,使用,长期短期模型(LSTM)是实施支持时间序列预测的过程。

CNN和LSTM深度学习神经网络,可以学习任意复杂从输入到输出的映射,自动处理许多输入和输出。这些是有用的品质对时间序列预测,尤其是对情况复杂的非线性关系,多值输入,和多步预测。这些特性是模型都为这个选择的原因的调查。此外,该模型适用于多变量分析技术利用观测时间序列数据的预测他们的未来趋势值的关系。预计有这样的结构将有助于改善金融时间序列数据预测的准确性,尤其是对多个平行的股票市场指数。

本研究使用正则股指从四个亚洲股市,即上海、日本、新加坡、印尼,检查整体进化模型的功效COVID-19大流行期间,跨越242个交易日从1月1日,2020年,2021年12月31日。数据分为两部分:170个交易日的训练集,比较组72个交易日。

本文以以下方式组织。部分2论述了研究工作,应用机器学习在一个特定的深度学习模型在预测的轨迹不同的时间序列数据集。提出的多元深度学习模型,利用多个时间序列预测中概述部分3,其次是本研究中使用的实验设置。之后,给出的结果进行了试验和探讨,本文提出了结论和未来的工作部分。

2。相关工作

2.1。深度学习

深度学习是一种机器学习领域的算法(12](1)使用的多层非线性处理单元级联特性,提取和转换,其中每个连续的层使用前一层的输出作为输入;(2)学习以监督的方式(例如,分类)和/或无监督的方式(例如,模式分析);(3)能够根据建模不同级别的表示不同的抽象级别;形成一个水平层次结构的概念。

大多数现代深度学习模型是基于神经网络,尽管他们还可以包括命题公式或潜在变量按层深生成模型,如节点深度信念网络和玻尔兹曼机13]。在深度学习,学习结构的每一层(在建立一个模型)将输入转换为一个稍微一般表示(模型)。为主,深度学习过程深度学习能够了解哪些特性最优放置在一个特定的水平。当然,这并不能消除手工调整的必要性;例如,不同的层数和层的大小可以提供不同的抽象级别(13,14]。

几层的人工神经网络的输入和输出层之间被称为深层神经网络(款)13,15]。款发现合适的数学模型转换线性和非线性输入输出。遍历网络层,测量每个输出的可能性。款能够建模非线性相互作用是复杂的。款架构产生组合模型中对象表示为分层的基本成分。附加层允许功能成分的层次越低,潜在的复杂数据建模与单位少于同样执行浅网络(13]。

2.2。卷积神经网络(CNN)

款模型是计算机视觉中常用的工作是卷积神经网络(CNN)也被应用到自动语音识别的声学建模(ASR) [16]。CNN给出图的基本结构1。CNN是受生物过程(18,19因为神经元之间的连接的模式类似于动物的视觉皮质的组织。CNN是广泛应用于图像和视频识别、推荐系统、图像分类、医学图像分析、自然语言处理。从先前的研究结果证实了CNN的优越性在处理基于时间的流动数据16,18,19]。

CNN的主要功能是处理多通道输入数据的能力,所以它是理想的处理不同的时间序列数据具有多个输入和输出在这个研究[19- - - - - -21]。然而,没有多少研究CNN在建模和预测的成功的运动几个深度学习模型的时间序列数据值。

CNN的主要优点之一是当地的知觉和体重分享功能,可以大大减少参数的数量,从而提高学习的效率。CNN在结构方面,主要由两部分组成,即卷积层和汇聚层。在这种情况下,每个卷积层包含几个回旋的内核。卷积操作发生在卷积后层,数据的重要特征提取,都伴随着特征维度的增加。为了解决这个问题,减少负担的培训过程中,添加一层集成与减少特征提取的主要目的,最后产生最终结果。

2.3。长短期记忆(LSTM)

除了CNN,长期短期记忆模型,也称为LSTM,是另一个著名款模型。LSTM是一个亚基递归神经网络(RNN) (22),并给出基本的架构图2。LSTM算法是理想的分类、排序,并预测从单个时间序列数据集。之前的研究也表明LSTM能够预测时间序列数据(23- - - - - -26]。

计算过程,发生在LSTM结构计算预测时间序列数据开始计算的输出值从之前的时间和当前时间的输入值变得忘记门的一个输入,和加工的结果忘记门是通过使用下列公式计算: 的值范围在哪里f_t是(0,1),W_f是忘记门的重量,b_f偏差值应用到忘记门,x_t是输入值为当前时间,的输出值是前处理时间。

此外,产值从之前的时间和当前时间的输入值也输入门的输入,输出值和条件的候选细胞输入门口后得到计算使用以下公式: 的值范围在哪里我_t是(0,1),W_我门的重量输入,b_我大门的偏差值的输入,W_c门的重量输入候选人,然后呢b_c大门的偏差值输入的候选人。LSTM模型的下一个阶段的过程或模型参数调整单元格值在这个时候进行如下: 值的范围在哪里C_t是(0,1)。然后,在处理时间t,输出值和输入值x_t成为的输入输出门,门的输出输出计算使用以下公式: 的值范围在哪里o_t(0.1),W_o门电路输出的重量,b_o门电路输出的偏差值。最后,最后的输出值LSTM生成的输出门,是使用以下公式计算的结果: 在这种情况下,双曲正切是一个激活函数,可以根据要解决的问题的需要和特点。因此,LSTM有能力处理记录数据在一个特定的时间序列,因此已广泛应用于时间序列数据分析和建模的过程(26,27]。

LSTM和CNN都可用于创建深度学习模型,可以研究复杂和未知模式在大型多样的数据集。然后设计能够结合不同的深度学习模型,CNN和LSTM-based,创造了一个整体。因为先前的研究结果表明,每个模型都有不同的能力抓住秘密数据的趋势,希望提供的解决方案将更强大和更详细的整体方法。

2.4。CNN和LSTM金融时间序列预测

金融市场目前是嘈杂的,非参数竞争环境中,主要有两种类型的股票价格或股票市场指数预测方法:传统的计量经济学分析和机器学习。传统的计量经济学方法或方程参数,另一方面,是臭名昭著的不适合分析复杂,高维,嘈杂的金融时间序列的结果28]。因此,近年来,在机器学习领域的发展已成为一个可行的选择,特别是神经网络。因为它可以得到数据从大量的高频特性的原始数据不依赖以前的信息,神经网络已经成为一个热门的研究路径在金融领域的预测。

2017年,陈和郝研究股票市场指数预测使用一个基本的杂化的配置特性加权再加权支持向量机和特性,导致增强短期,中期,长期预测能力,上海证券交易所综合指数和深圳证券交易所成份指数(29日]。2017年,庄等人发布了一个更全面的分析深度学习的使用网络对股票市场预测和预测(30.]。根据研究的实证结果,深层神经网络将获得额外信息的残差自回归模型,提高预测精度。胡等人实验从2018年研究结果表明,虽然CNN是最广泛用于图像识别和特征提取,也可以用于时间序列预测,因为它是一个深度学习模型,但是CNN仅是相对贫穷的预测的准确性(31日]。

2019年,Hoseinzade和Haratizadeh提议CNN-based工具,它可以用来从各种数据源中提取特征,包括不同的市场,预测他们的未来17]。此外,钟和恩科提出,2019年,混合动力机器学习算法可以被使用,因为他们已经被证明是有效的在预测股票市场的正常返回路径(32]。Nabipour等人相比,各种时间序列预测技术在德黑兰证券交易所在2020年,发现LSTM产生更精确的结果,最好的模型拟合能力(33]。Kamalov四大美国公共公司的股票价格预测使用延时,CNN, LSTM在2020年。这三个方法优于相关实验,预测价格变化的轨迹的实验结果(34]。2020年,刘和长时间开发了一个高精度的短期金融市场时间序列预测模型关注LSTM深层神经网络,它们与BP神经网络相比,标准RNN,增强LSTM深层神经网络。研究结果显示,LSTM深神经网络预测精度高,能够准确地股市时间序列模型(23]。此外,陆等人提出了一个整体的结构CNN-LSTM和证明,这种模式将被应用时有效预测上证综合指数(31日]。

此外,马哈茂德和默罕默德进行了调查深度学习算法的使用时间序列预测在2021年,发现深度学习技术就像CNN和LSTM给更好的预测结果与误差水平低于其他人工神经网络模型(35]。此外,他们的文学研究发现合并许多深度学习模型大大提高了时间序列预测精度。然而,马哈茂德和默罕默德也转达了CNN和LSTM的性能并不总是一致的,与CNN优于LSTM有时,反之亦然。一般来说,CNN往往有优越的预测能力在处理时间序列数据组成的一组图片,但LSTM似乎比在处理数值数据。

总之,从先前的研究结果表明,使用深度学习模型如CNN和LSTM金融时间序列预测是成功的。然而,LSTM相比,CNN已经贫穷时预测精度应用于数字时间序列数据由于其主要特征,包括特征提取的高点。同时,LSTM也有一个弱点有关的能力从一个数据集提取最有价值的特性时相比,CNN。因此,构建一个复合或整体模型,利用每个组合模型来克服其弱点提高时间序列预测精度是符合逻辑的。此外,根据之前的研究结果表明金融时间序列数据之间的协整在真实的环境中,然后合理包括多元时间序列分析技术到整体模型。因此,这项工作的主要贡献如下:(1)发展多元的新乐团深度学习方法命名为多元CNN-LSTM利用CNN和LSTM的优越特性同时多个平行的金融时间序列预测模型考虑相关性系列的状态预测的过程。(2)评价模型进行实验,使用的数据来自真实世界的环境中,例如,four stock market indices from the Asia region, to confirm that constructing an ensemble model, which uses the core features of each model and incorporates multivariate time-series analysis, offers better forecasting accuracy, and is more suited for multiple parallel financial time-series forecasting by contrasting the evaluation indicators of proposed multivariate CNN-LSTM with stand-alone CNN and LSTM.

3所示。多元CNN-LSTM模型

3.1。多元时间序列分析

当处理变量从现实世界的现象,比如经济、气候、生态、等等,一个变量的值通常是依赖于其他变量的历史价值。例如,一个家庭的开支费用可以通过收入等因素的影响,利率,和投资支出。如果这两个因素都与消费者支出,是有意义的因素的情况下预测消费者支出。换句话说,表示相关的变量 ,的预测年底的时期t可以表示为如下形式:

类似地,预估第二部分可能依赖于所有系统之前的值。这个方程可以用来表达的投影更广泛的变量:

有几个时间变量的多元时间序列。每个变量不仅取决于其先前的值也在其他变量。多个时间序列 是一组时间序列在哪里k系列指数和吗t是时间点,方程(8)表达的预测作为一个函数的多个时间序列(24]。多元时间序列分析的主要目的,如单变量时间序列分析,是要找到合适的函数 ,在哪里问是构造函数的数量,可以用来预测潜在的变量具有良好的属性的值。学习各种变量之间的相互关系是经常关注的。例如,在证券交易所环境与几个市场,无论是在国际上还是在一个特定区域,可能感兴趣的可能影响这些市场如何相互作用。

这项工作进一步探索多元时间序列分析模型,通过融合不同的state-of-of-the-the-art学习模型来自机器学习领域,即。深度学习模型,构建一个模型,可以同时对多个金融时间序列数据预测。

3.2。多元CNN-LSTM一般概念

CNN和LSTM可以用来建立深度学习模型,深入研究在大规模复杂和隐藏的模式和多样化数据栈,包括时间序列数据,特别是来自金融部门(36,37]。授权的优势拥有两个模型实现的目标本研究提出的介绍,也就是说,改善的准确性预测股票市场指数的运动,时间序列数据预测模型是由CNN和LSTM相结合,以及包括多元时间序列分析方法的模型,以便同时预测并行使用系列相关分析时间序列。

在这种情况下,CNN-LSTM模型建立有不同的特征与大多数时间序列数据预测技术相比,通常使用一个单变量分析方法,CNN-LSTM模型将利用系列之间的关联信息进行预测。这符合各种先前的研究发现,一组时间序列的数据来自一个类似的领域往往有一个关系和相互影响。因此,信息之间的关系应该使用系列的过程中预测未来的情况。

CNN和LSTM的建立模型是一个整体,称为多元CNN-LSTM。在此建议的体系结构中,时间序列数据将重塑以适应输入数据结构,可以由CNN处理然后LSTM结构。多元CNN-LSTM模型主要包括两个层次:CNN层,主要功能的提取处理时间序列数据的主要特征。LSTM层,主要功能的计算最终的预测结果。

CNN和LSTM合奏模型开发的这一分析框架的扩展使用陆等人在他们的研究在上海证券交易所股票价格波动31日]。调整输入数据结构,以适应多个并行的时间序列数据,在每一层参数配置,变更的培训方法参数匹配多个平行的金融时间序列数据的特点,并包含一个LSTM层增加预测精度都是更新的一部分。

的构造图CNN-LSTM模型如图3CNN和LSTM是主要的组件,伴随着一个输入层、一维卷积层(1 d卷积)池层,一个LSTM(隐藏)隐藏层,和完整的连接层(全连接)将问题的最终结果的预测。

3.3。多元CNN-LSTM学习过程

培训过程的阶段和CNN-LSTM预测时间序列数据如下:(1)训练阶段始于训练数据输入过程。在这个阶段,进入数据用于CNN-LSTM训练的过程发生。下一步是初始化网络参数来确定重量和偏见的值(如果有的话)在每个CNN-LSTM层的开始。然后,继续这个过程在CNN层输入数据按顺序通过卷积层和池层在CNN层,其次是输入数据的提取工艺特性,并产生一个输出值将LSTM层的输入。在CNN层,特征提取过程主要发生从输入时间序列数据。(2)然后,从CNN层输出值将进入LSTM层。在这种LSTM层,预测过程主要发生在观测时间序列值,从LSTM层输出值变得完整的连接层的输入,从而产生最终的预测值。在这个阶段,预测训练过程完成,然后继续培训结果的评估过程,预测结果的误差计算。输出值的形式预测计算输出层是经过处理的数据与实际值相比,然后计算误差值。(3)评价的结果作为参考判断培训的停止条件。在这种情况下,训练停止条件是预先确定的数量的训练周期(时代),和预测误差值小于某一预先确定的阈值。(4)如果基于评估结果,确定培训没有达到停止条件,然后计算误差值传播回前面的层,然后调整权重和偏差值在每一层(误差反向传播),回到第一步,重复的训练过程。然而,如果任何条件满足停止条件的培训,培训完成后,保存整个CNN-LSTM网络的配置。(5)下一步是测试的CNN-LSTM模型训练使用的测试数据。这个过程首先进入测试数据用于预测或测试数据输入到保存CNN-LSTM模型,然后得到输出值(预测结果)的最终输出CNN-LSTM训练和预测的过程。(6)水平的测量精度将通过应用的计算均方根误差(RMSE)值之间的偏差量的实际价值和产生的预测价值。

4所示。实验设置

4.1。金融时间序列数据

多个并行金融时间序列数据被用于这项研究代表了一个集成的结构在股票交易部门。数据是普通股票市场指数从四个亚洲交易所:上海、日本、新加坡和印度尼西亚,跨越242个交易日从1月1日2020年,2020年12月31日。常规指标的上海、日本、新加坡和印尼交易所将预测同时使用历史值的四个系列在这个实验中观察到。数据收集分为两个部分:一个训练集,包括第一个170个交易日和一个测试集,包括最后72个交易日。

自四个股票市场指数具有广泛的值,数据采集转换,即。,归一化如下帮助结构的训练过程,建立一个改进的模型: 在哪里系列的标准化值吗j,原始输入数据系列的价值吗j,的平均输入数据系列的价值吗j,是输入数据的标准差系列j。的快照数据集表中列出1。

4.2。模型评价

均方根误差(RMSE)作为评估的标准测试方法的预测影响多元CNN-LSTM除了单变量CNN和LSTM执行预测以个体的方式: 在哪里预测的值在一个特定的时间点吗我和是实际的价值。因为预测之间的差异和原始值较少,RSME价值意味着更高的预测精度较低。每个序列的RMSE测量每个模型在考虑和比较。在制备和测试阶段,将进行比较评估。

4.3。实施多元CNN-LSTM

表2这个实验展示了多元CNN-LSTM参数设置。它可以推断出的基本模型是设计基于CNN-LSTM网络的参数设置如下:输入训练集数据是三维数据向量(没有,4,4),其中第一个数字4表示时间步长和其他数字4是输入四个属性维度,在本例中是四个上海股票市场指数,日本,新加坡和印尼。

首先输入一维卷积数据层中提取更多的特性和产生一个三维的输出向量(没有4 64),与64年被卷积层过滤器的大小。向量然后连接池层,它转换为三维输出向量(没有,64)。然后去第一个输出向量LSTM层进行培训;两层LSTM在这个提议实施结构提高多变量预测的准确性;训练后,输出数据与形状(没有,100)→第二LSTM层得到的输出值;100是隐藏的数量单位LSTM层。因此,图4描述的基本结构提出了多元CNN-LSTM模型。

5。结果与讨论

训练后CNN、LSTM和多元CNN-LSTM训练集数据处理、模型用于预测测试集数据,与实际值与期望值的阶段,见图5和6。备案,CNN和LSTM使用单变量分析模型分别训练,在多元CNN-LSTM训练使用多变量分析来实现同步多个并行的时间序列预测。

图5显示图形的对比预测索引值的四个股票市场观察与原来的价值在训练阶段,而图6显示在测试阶段比较图表。一般来说,从这两个数字,可以观察到三个模型测试可以预测股票市场指数的运动与一个相当不错的水平精度。然而,更深入的观察表明,预测结果的图形生成的LSTM模型优于由CNN模型,并从多元预测结果的图CNN-LSTM三国模型有最好的结果。发生持续的培训和测试阶段以及四个股票市场。

观察图上的黄色字段也可以被视为一种方针CNN-LSTM多元模式明显比其他两个版本。预测误差的大小比例在任何时候被旅店的黄色区域显示。因此,可以推断,磁场越小,降低预测的累积误差。两个数字5和6证明CNN-LSTM多元模型图上的黄色区域小于CNN和LSTM版本在训练和测试水平。这支持三种模式的发现,研究,CNN-LSTM多元模型,这是一个整体的CNN和LSTM模型,表现最好的。此外,图表明,预测结果的平均误差在合理范围内。

此外,考虑到处理时间序列数据的覆盖率COVID-19大流行期间,各种经济指标的运动变得更加不确定,CNN-LSTM多元模型也被证实有能力预测金融时间序列数据的价值更好的性能。最大的区别预测结果与原始值发生在55的范围^th交易日,如果映射到一个日历天,落在2020年3月初COVID-19大流行开始影响全球经济状况。然而,在那之后,似乎预测误差的值会减少,这表明CNN-LSTM多元模型的适应能力的变化运动模式的股票市场指数的值。

更关注这四个股票指数的预测由CNN-LSTM的整体模型,清楚地看到,该模型可以预测四个股票指数的运动与高度的准确性。作为实际值的四个股指正表现出日益增长的趋势结束的2020年,该模型的预测也显示类似的方式。因此,这些预测可以被利用来帮助做出投资决定,在这种情况下表明在COVID-19大流行时期投资在股票市场可以被认为是值得的。这个论点是符合建议由一个金融分析师关于大流行投资一些教训,即(1)买入并持有比过去一年不可能是真实的;(2)现在是投资的最佳时机,即。,the time when COVID-19 vaccines become available; (3) the market is recovering gradually as the countries around the world are starting to have a grasp on COVID-19 pandemic [38]。

关于预测的质量评估,如前所述,在这项研究中,三个时间序列数据预测模型的性能也进行了计算权值。RMSE计算进行训练阶段和测试阶段。此外,证明金融时间序列数据的准确性预测可以提高通过构建一个CNN-LSTM整体结构,利用多变量分析技术,试验四个股票指数预测的市场使用CNN模型和LSTM模型进行单独和基于单变量分析技术。

每个模型和RMSE值的比较显示了每个阶段的数字7和8和细节表中列出3。从这两个图,可以了解到的RMSE值CNN-LSTM多元模型是最小的在所有的指标,在训练和测试阶段。因此,这一事实证实了这一理论,即结合各种特性和优势被不同的模型或算法成为一个整体,利用多变量分析技术可以提供更好的结果在解决一个问题,在这种情况下是predict-index值四个亚洲地区的股票市场。

此外,评估预测质量由提出多元CNN-LSTM也由比较他们的描述性统计值与实际值。这种比较的基本前提是,类似的描述性统计值系列显示数据集之间的可比性作为他们的本性是类似的。描述性统计的实际值和预测值之间的测试阶段给出了表4。

比较分析描述性统计的实际值和预测值之间的四个观察股票市场指数如表中列出4表明这两个数据集保留相当相似的价值观。这个结果证实了实际和预测数据集都有类似的基本性质,因此可以得出结论,提出多元CNN-LSTM模型能够预测未来值的金融时间序列不仅具有良好的准确性、RMSE值相对较小,但也真实的基本性质。

6。结论

本研究提出了一种多元CNN-LSTM模型预测多个平行金融时间序列的一个阶段的价值时间基于股票市场指数的特点,常规值时间序列的结果(第二天)。多元时间序列数据的预测技术,将多个时间序列预测同时通过考虑所有可观测的条件系列。CNN模型从输入数据中提取特征,虽然LSTM研究导函数数据和执行的最后一步估计第二天股票市场指数的表现。本研究使用从四个亚洲证券交易所适用的数据作为训练和测试数据来验证实验结果,即上海、日本、新加坡和印尼。与个人相比CNN和LSTM模型,实验结果表明,多元CNN-LSTM最高的预测精度和更好的效率(最小的RMSE值)。这个发现支持了假设将变量之间的关系纳入预测模型将有助于预测平行运动的多个时间序列问题的一组对时间敏感的变量是相关的。因此,多元CNN-LSTM可以用于预测各种股票市场指数的价值,可以作为投资者在进行投资决策时的有用的工具。除此之外,研究多元CNN-LSTM是一个可行的选择涉及金融时间序列数据分析模型的建设。然而,现有的模型也有一些缺点,包括这样一个事实:不同的数据与外部变量如公众舆论和国家政策没有考虑预测期间。在这方面,未来研究工作计划将侧重于使用更多的因素,这两个定量和定性的性质,作为输入到预测模型,构建一个完整的工作投资交易系统基于提出的模型。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究是由研究和技术、印度尼西亚共和国,在基础研究的资助计划2021年。