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 ] x[n] 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 ] x[n] 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 π / N ) k n \ e^{j(2\pi/N)kn} ej(2π/N)kn来线性表示 x [ n ] x[n] x[n]。其中 k k 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 t t时刻的隐藏层状态受到上一时刻隐藏层状态