基于金融數(shù)據(jù)的時(shí)間序列研究與應(yīng)用.pdf

1、隨著互聯(lián)網(wǎng)的浪潮，越來越多的互聯(lián)網(wǎng)金融公司應(yīng)運(yùn)而生，互聯(lián)網(wǎng)金融風(fēng)險(xiǎn)預(yù)測(cè)也成了互聯(lián)網(wǎng)金融公司決策時(shí)的重要一環(huán)。如螞蟻金服通過對(duì)余額寶的歷史交易額進(jìn)行資金流入流出的預(yù)測(cè)；融360根據(jù)用戶的歷史還款時(shí)間序列對(duì)用戶信貸進(jìn)行預(yù)測(cè)等。因此隨著互聯(lián)網(wǎng)金融交易激增，互聯(lián)網(wǎng)金融公司有必要提高系統(tǒng)風(fēng)險(xiǎn)預(yù)測(cè)能力，將金融風(fēng)險(xiǎn)降低到最小化。通過基于時(shí)間序列預(yù)測(cè)的方法可以為風(fēng)險(xiǎn)預(yù)測(cè)提供參考從而降低風(fēng)險(xiǎn)。本文一方面著眼于時(shí)間序列預(yù)測(cè)領(lǐng)域中一些模型，如基于傳統(tǒng)ARMA

2、模型，基于神經(jīng)網(wǎng)絡(luò)模型等，并列出各模型在時(shí)間序列應(yīng)用中的優(yōu)缺點(diǎn)，然后在基礎(chǔ)的Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型上進(jìn)行改進(jìn)。另一方面著眼于時(shí)序數(shù)據(jù)的特征學(xué)習(xí)，分析了時(shí)序數(shù)據(jù)特征提取與特征選擇的常用算法，并由此提出了基于時(shí)序數(shù)據(jù)的特征學(xué)習(xí)框架。通過時(shí)序數(shù)據(jù)的特征學(xué)習(xí)框架與改進(jìn)的Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型相結(jié)合，提出了一個(gè)互聯(lián)網(wǎng)金融風(fēng)險(xiǎn)預(yù)測(cè)模型。本模型著眼于實(shí)際應(yīng)用。主要內(nèi)容包含如下：
　　1、分析了神經(jīng)網(wǎng)絡(luò)模型在時(shí)間序列預(yù)測(cè)上的應(yīng)用。包含了前

3、向神經(jīng)網(wǎng)絡(luò)和反饋神經(jīng)網(wǎng)絡(luò)。主要針對(duì)Elman神經(jīng)網(wǎng)絡(luò)模型的研究，分析了其模型結(jié)構(gòu)，各層神經(jīng)元的特點(diǎn)，并修改了Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法，在誤差計(jì)算中將歷史數(shù)據(jù)按照與當(dāng)前時(shí)間的遠(yuǎn)近賦予相應(yīng)的權(quán)值，以及加入時(shí)序數(shù)據(jù)隨機(jī)過程，提出了改進(jìn)的Elman神經(jīng)網(wǎng)絡(luò)時(shí)間序列預(yù)測(cè)模型（GT-Elman），從而增強(qiáng)了Elman神經(jīng)網(wǎng)絡(luò)對(duì)時(shí)間序列的預(yù)測(cè)性能。
　　2、分析了時(shí)序數(shù)據(jù)常用的特征提取算法與特征選擇算法。通過將時(shí)域序列轉(zhuǎn)化為頻域序列如快速傅立

4、葉變換，離散小波變換等特征提取算法，提取時(shí)序數(shù)據(jù)中的特征；在特征選擇算法里分析了Clamping Network的網(wǎng)絡(luò)結(jié)構(gòu)，算法思想和缺陷，并根據(jù)該缺陷提出了一種改進(jìn)的Clamping Network（DS-Clamping），從而增強(qiáng)了Clamping Network在特征選擇上的性能。相比于直接使用原始時(shí)序數(shù)據(jù)作為輸入，通過這種對(duì)時(shí)序數(shù)據(jù)特征學(xué)習(xí)模型得到時(shí)序數(shù)據(jù)的特征作為時(shí)間序列預(yù)測(cè)模型的輸入，能更好的提高預(yù)測(cè)精度，提高系統(tǒng)的預(yù)測(cè)性