基于金融數(shù)據(jù)的時間序列研究與應(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)運而生，互聯(lián)網(wǎng)金融風(fēng)險預(yù)測也成了互聯(lián)網(wǎng)金融公司決策時的重要一環(huán)。如螞蟻金服通過對余額寶的歷史交易額進行資金流入流出的預(yù)測；融360根據(jù)用戶的歷史還款時間序列對用戶信貸進行預(yù)測等。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)險預(yù)測能力，將金融風(fēng)險降低到最小化。通過基于時間序列預(yù)測的方法可以為風(fēng)險預(yù)測提供參考從而降低風(fēng)險。本文一方面著眼于時間序列預(yù)測領(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，并列出各模型在時間序列應(yīng)用中的優(yōu)缺點，然后在基礎(chǔ)的Elman神經(jīng)網(wǎng)絡(luò)預(yù)測模型上進行改進。另一方面著眼于時序數(shù)據(jù)的特征學(xué)習(xí)，分析了時序數(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序數(shù)據(jù)的特征學(xué)習(xí)框架。通過時序數(shù)據(jù)的特征學(xué)習(xí)框架與改進的Elman神經(jīng)網(wǎng)絡(luò)預(yù)測模型相結(jié)合，提出了一個互聯(lián)網(wǎng)金融風(fēng)險預(yù)測模型。本模型著眼于實際應(yīng)用。主要內(nèi)容包含如下：
　　1、分析了神經(jīng)網(wǎng)絡(luò)模型在時間序列預(yù)測上的應(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，并修改了Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法，在誤差計算中將歷史數(shù)據(jù)按照與當(dāng)前時間的遠近賦予相應(yīng)的權(quán)值，以及加入時序數(shù)據(jù)隨機過程，提出了改進的Elman神經(jīng)網(wǎng)絡(luò)時間序列預(yù)測模型（GT-Elman），從而增強了Elman神經(jīng)網(wǎng)絡(luò)對時間序列的預(yù)測性能。
　　2、分析了時序數(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的Clamping Network（DS-Clamping），從而增強了Clamping Network在特征選擇上的性能。相比于直接使用原始時序數(shù)據(jù)作為輸入，通過這種對時序數(shù)據(jù)特征學(xué)習(xí)模型得到時序數(shù)據(jù)的特征作為時間序列預(yù)測模型的輸入，能更好的提高預(yù)測精度，提高系統(tǒng)的預(yù)測性