介绍几个预测股价的模型

今天介绍三个用于金融深度学习的案例以及这些模型的优越性。

虽然金融是计算密集程度最高的领域，但金融学中广泛使用的模型 - 监督和无监督模型，基于状态的模型，计量经济模型甚至随机模型都受到过度拟合，启发式和差的问题的影响。超出样本结果。这是因为，金融领域非常复杂且非线性，其中有许多因素相互影响。

为了解决这个问题，如果我们看一下在深度学习中进行的图像识别，语音识别或情感分析领域的研究，我们发现这些模型能够从大规模的未标记数据中学习，形成非线性关系，形成重复结构并且可以轻松避免过度拟合。

如果这些模型在金融学科中得到应用，这些模型可用于定价，投资组合构建，风险管理甚至高频交易，仅举几个例子。那么让我们来解决其中的一些问题。

回报预测

举个预测每日黄金价格的问题，我们首先看一下传统的方法。

ARIMA

使用Autoregressive Integrated Moving Average模型，该模型试图预测保持季节性成分的固定时间序列，我们得到这样一个结果

VAR

如果我们将相关的预测变量添加到我们的自回归模型并转移到Vector Auto Regressive模型，我们会得到这些结果 ：

深度回归

如果我在数据上使用简单的深度回归模型，使用相同的输入，我会得到更好的结果：

卷积神经网络

我的结果是修改我的架构以使用卷积神经网络来解决同样的问题

这些结果非常好。但接下来会有最好的结果。

长期短期记忆（LSTM）

结果是：

惊不惊喜呢？

有想要模型，自已研究研究的同学可以联系我。