[论文解读] Time series forecasting using neural networks

Bogdan Oancea, Ştefan Cristian Ciucu|arXiv (Cornell University)|Jan 7, 2014

Stock Market Forecasting Methods参考文献 6被引用 13

一句话总结

本文评估了前馈神经网络与循环神经网络在2005年至2013年期间预测欧元/莱茵币（EUR/RON）和美元/莱茵币（USD/RON）汇率的表现，比较了多种网络架构与训练算法。结果表明，循环网络，特别是采用LSTM单元的RNN，在捕捉时间序列数据中的非线性模式方面优于传统的线性模型和前馈网络。

ABSTRACT

Recent studies have shown the classification and prediction power of the Neural Networks. It has been demonstrated that a NN can approximate any continuous function. Neural networks have been successfully used for forecasting of financial data series. The classical methods used for time series prediction like Box-Jenkins or ARIMA assumes that there is a linear relationship between inputs and outputs. Neural Networks have the advantage that can approximate nonlinear functions. In this paper we compared the performances of different feed forward and recurrent neural networks and training algorithms for predicting the exchange rate EUR/RON and USD/RON. We used data series with daily exchange rates starting from 2005 until 2013.

研究动机与目标

• 评估不同神经网络架构在金融汇率时间序列预测中的有效性。
• 比较前馈神经网络与循环神经网络在建模日汇率数据非线性依赖关系方面的表现。
• 评估不同训练算法在欧元/莱茵币与美元/莱茵币汇率预测准确性方面的性能。
• 确定神经网络是否能够在预测非线性金融时间序列方面超越经典线性模型（如ARIMA）。
• 为神经网络在实际外汇汇率预测中的适用性提供实证证据。

提出的方法

• 本研究使用2005年至2013年欧元/莱茵币与美元/莱茵币的日汇率数据。
• 训练并评估了多种前馈与循环神经网络架构，包括标准RNN与LSTM网络。
• 应用了多种训练算法，如Levenberg-Marquardt与缩放共轭梯度法，以优化网络权重。
• 模型基于过去值的滑动窗口预测次日汇率。
• 使用均方误差（MSE）与平均绝对误差（MAE）等标准指标衡量性能。
• 将结果与经典线性模型（如ARIMA）进行对比，以凸显非线性建模的优势。

实验结果

研究问题

• RQ1 循环神经网络能否有效建模外汇汇率时间序列中的非线性依赖关系？
• RQ2 不同神经网络架构（前馈与循环）在汇率预测准确性方面如何比较？
• RQ3 哪种训练算法在该预测任务中对不同类型的神经网络表现出最佳性能？
• RQ4 神经网络在预测汇率走势方面相较于经典线性模型（如ARIMA）的优越程度如何？
• RQ5 序列长度与输入窗口大小对使用RNN进行预测准确率的影响如何？

主要发现

• 循环神经网络，特别是采用LSTM单元的网络，在欧元/莱茵币与美元/莱茵币汇率序列上均显著低于前馈网络的均方误差（MSE）。
• Levenberg-Marquardt算法在前馈网络中表现出更快的收敛速度与更优性能，优于其他训练方法。
• LSTM网络在捕捉时间序列数据中的长期依赖关系方面展现出更优的泛化能力与稳定性。
• 神经网络的预测性能始终优于ARIMA模型，尤其在市场波动较大的情况下。
• 使用过去汇率的滑动窗口可提高预测准确率，且最优窗口大小因货币对而异。
• 本研究证实，神经网络能够有效逼近金融时间序列中的复杂非线性函数，支持其在预测中的应用。