SFM算法介绍

背景

股票市场存在着短线、中长线、长线等不同频率的交易模式，这些交易活动决定了股票价格的变动。为了对股票价格进行预测，该文章提出了一种循环神经网络SFM，可以从股票价格的时序数据中捕捉多种频率的交易规律，从而做出短期/长期预测。

知识基础

傅里叶变换

作用：任何周期信号都可以分解为正弦函数的累加和。

分解后：

用公式表示：设$x[n]$是一系列离散信号，将其进行傅里叶变换

傅里叶逆变换：

根据欧拉公式进行一系列推导，发现$x[n]$可以表示为一系列三角函数的和。三角函数可以看作不同的频率分量。这样就相当于从时域转换到了频域。

从另一个角度理解，我们也可以看做用一组特殊的正交基$e^{j(2\pi /N)kn}$来线性表示$x[n]$。其中$k$表示了不同的频率。

循环神经网络

RNN

普通神经网络的隐藏层没有连接。RNN为了提取时序数据之间的关系，让$t$时刻的隐藏层状态受到上一时刻隐藏层状态