泛函深度神经网络及其在金融时间序列预测中的应用  

Application of Functional Deep Neural Network in Financial Time Series Prediction

作　　者：马超[1,2] 侯天诚 徐瑾辉 张振华[4,6] 蓝斌[3,7] 

机构地区：[1]伦敦大学学院计算统计学与机器学习中心,伦敦WC1E6BT [2]广东外语外贸大学金融学院应用数学系,广东广州510006 [3]广东外语外贸大学金融学院金融学系,广东广州510006 [4]广东外语外贸大学经济贸易学院统计学系,广东广州510006 [5]印第安纳大学统计学系,布卢明顿IN47405 [6]考文垂大学商务、环境和社会学院,考文垂CV15FB [7]香港城市大学经济及金融系,中国香港999077

出　　处：《徐州工程学院学报（自然科学版）》2017年第2期46-53,共8页Journal of Xuzhou Institute of Technology(Natural Sciences Edition)

基　　金：广东省大学生科技创新培育专项资金(“攀登计划”专项资金)资助项目(126-GK161012);国家统计局全国统计科研计划项目(2016LZ18,2016537);广东省自然科学基金项目(2014A030313575,2016A030313688);广东省软科学项目(2015A070704051);广东省质量工程项目(125-XCQ16268);广东外语外贸大学特色创新及团队项目(15T21,DT1605)

摘　　要：针对神经网络直接预测原始价格存在的泛化误差大、预测价格变动方向的准确率不高等问题,提出一种基于泛函的深度降噪自编码神经网络,并提高神经网络的在时间序列上的泛化能力.将预测目标改为ZigZag/PI指标,且通过着重预测价格序列的趋势和方向,避免来自原始序列的噪音影响,弥补神经网络在方向预测上的固有缺陷.To address the problem of low fitting error accompanied with poor generalization and low accuracy in predicting the direction of price movement,a new functional deep auto-encoder neural network （FdAE） is con- structed with improved generalization ability. The predicting target is also changed to ZigZag/Position Index（PI）, which emphasizes on trend and direction to avoid disturbance of noise from original time series, in order to remedy the inherent deficiency of traditional neural network in direction prediction.

关 键 词：深度学习 泛函网络 降噪自编码 金融预测 

分 类 号：F830.49[经济管理—金融学]