基于神经网络的黄金、外汇价格预测（RNN、LSTM、GRU、CNN+LSTM、BP）

价格预测研究分析

价格预测作为一种复杂的回归问题，可以使用神经网络模拟其复杂的函数表示来解决，对黄金和外汇而言，它们在未来某一时间节点的价格与历史数据存在着紧密的联系，具备极强的时间关联性，对这种与时间关联的数据的预测任务进行研究，首先考虑选取循环神经网络作为研究方向。
对于回归问题，一般首选简单的BP网络作为研究方向，而在对序列化数据的处理中，循环神经网络（RNN）是非常高效的深度学习模型，RNN的变体，长短时记忆（LSTM）网络和门控循环单元（GRU）在这一领域中也应用广泛。因此，在循环神经网络的研究方面，RNN、LSTM和GRU网络都可以作为研究的方向。其次，由于预测使用的数据集极其庞大，在使用LSTM网络进行预测前首先使用CNN进行特征提取，可以提高模型的训练效率，故而CNN+LSTM的方案也具有研究价值[1][2]。
在真实的市场环境中，价格预测模型需要根据系统获得的数据实时更新，以确保预测的准确度，为了提高系统的用户体验度，价格预测功能需要使用训练模型速度最快、模型预测拟合效果最好的网络作为预测模型。我们首先对RNN、LSTM、GRU、BP、CNN五种神经网络的基础理论展开研究，分析它们各自的特点，讨论其优点和不足，从而为价格预测模型的选取提供参考。

价格预测理论研究

循环神经网络RNN的主要用途是处理和预测序列数据，强调时间的先后顺序，认为后续的值是由前者和一些其他参数概率决定的，这一观点与黄金外汇价格的变化是吻合的，RNN的网络结构以及将它展开后的网络结构如图1所示。由于RNN自身存在梯度爆炸和梯度消失的问题，将RNN应用到黄金外汇价格预测中的时候，网络的复杂程度会影响其预测的效果，为了满足价格预测的准确性和高效性，我们需要通过实验对其性能进行验证[3]。

长短期记忆网络LSTM是一种时间循环神经网络，是为了解决一般的RNN存在的长期依赖问题而专门设计出来的[4][5]。LSTM 与RNN结构相似，都具有重复的结构模块，但是这两种网络重复的模块拥有不同的结构。LSTM的基本结构如图2所示。LSTM继承了大部分RNN模型的特性，并在RNN的基础上