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