[论文解读] Comparative study of Financial Time Series Prediction by Artificial Neural Network with Gradient Descent Learning

Arka Ghosh|arXiv (Cornell University)|Nov 21, 2011

Stock Market Forecasting Methods参考文献 11被引用 9

一句话总结

本研究比较了通过梯度下降法训练的前馈多层（FF-MLP）与循环时间延迟（R-TDNN）人工神经网络在预测非平稳、高噪声金融时间序列方面的表现。结果表明，尽管样本量较小且噪声水平高，训练后的神经网络仍能有效预测股价走势，其中循环时间延迟网络在测试数据集上表现更优。

ABSTRACT

Financial forecasting is an example of a signal processing problem which is challenging due to Small sample sizes, high noise, non-stationarity, and non-linearity,but fast forecasting of stock market price is very important for strategic business planning.Present study is aimed to develop a comparative predictive model with Feedforward Multilayer Artificial Neural Network & Recurrent Time Delay Neural Network for the Financial Timeseries Prediction.This study is developed with the help of historical stockprice dataset made available by GoogleFinance.To develop this prediction model Backpropagation method with Gradient Descent learning has been implemented.Finally the Neural Net, learned with said algorithm is found to be skillful predictor for non-stationary noisy Financial Timeseries.

研究动机与目标

• 开发并比较基于人工神经网络的金融时间序列预测模型。
• 评估前馈多层网络与循环时间延迟神经网络在预测股价方面的性能。
• 评估反向传播结合梯度下降法在处理非平稳、高噪声金融数据方面的有效性。
• 确定在真实市场条件下，哪种神经网络架构能产生更准确的预测结果。
• 为实际金融预测应用提供神经网络模型的对比分析。

提出的方法

• 本研究采用使用梯度下降法进行反向传播学习的前馈多层人工神经网络（FF-MLP）。
• 同时采用相同的算法实现循环时间延迟神经网络（R-TDNN），以进行对比评估。
• 模型基于公开来源获取的历史股价数据进行训练。
• 使用反向传播结合梯度下降法迭代更新网络权重，以最小化预测误差。
• 训练过程通过基于误差梯度调整权重，以在各训练周期中提升预测准确性。
• 通过在未见测试数据上使用标准指标评估性能，以评估模型的泛化能力。

实验结果

研究问题

• RQ1 前馈多层网络与循环时间延迟神经网络在预测金融时间序列方面有何差异？
• RQ2 反向传播结合梯度下降法能否有效学习高噪声、非平稳金融数据中的模式？
• RQ3 在真实市场约束条件下，哪种神经网络架构——FF-MLP或R-TDNN——能产生更准确的股价预测？
• RQ4 网络架构的选择在小规模金融数据集上在多大程度上影响预测性能？
• RQ5 训练后的神经网络模型是否足够稳健，能够应对金融时间序列中的高噪声与非平稳性？

主要发现

• 训练后的神经网络，尤其是循环时间延迟神经网络，在非平稳且高噪声的金融时间序列上表现出强大的预测能力。
• 反向传播结合梯度下降法在两种网络架构中均有效降低了预测误差。
• 在测试数据集上，循环时间延迟神经网络在预测准确性方面优于前馈多层网络。
• 尽管金融数据样本量小且噪声水平高，模型仍表现出较强的预测能力。
• 本研究证实，使用梯度下降法训练的神经网络能够很好地泛化到未见的金融时间序列数据。
• 结果支持在需要时间模式识别的金融预测任务中采用R-TDNN。