基于金融數(shù)據(jù)的時間序列研究與應用.pdf

1、隨著互聯(lián)網(wǎng)的浪潮，越來越多的互聯(lián)網(wǎng)金融公司應運而生，互聯(lián)網(wǎng)金融風險預測也成了互聯(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)風險預測能力，將金融風險降低到最小化。通過基于時間序列預測的方法可以為風險預測提供參考從而降低風險。本文一方面著眼于時間序列預測領域中一些模型，如基于傳統(tǒng)ARMA

2、模型，基于神經(jīng)網(wǎng)絡模型等，并列出各模型在時間序列應用中的優(yōu)缺點，然后在基礎的Elman神經(jīng)網(wǎng)絡預測模型上進行改進。另一方面著眼于時序數(shù)據(jù)的特征學習，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)的特征學習框架。通過時序數(shù)據(jù)的特征學習框架與改進的Elman神經(jīng)網(wǎng)絡預測模型相結合，提出了一個互聯(lián)網(wǎng)金融風險預測模型。本模型著眼于實際應用。主要內容包含如下：
　　1、分析了神經(jīng)網(wǎng)絡模型在時間序列預測上的應用。包含了前

3、向神經(jīng)網(wǎng)絡和反饋神經(jīng)網(wǎng)絡。主要針對Elman神經(jīng)網(wǎng)絡模型的研究，分析了其模型結構，各層神經(jīng)元的特點，并修改了Elman神經(jīng)網(wǎng)絡訓練算法，在誤差計算中將歷史數(shù)據(jù)按照與當前時間的遠近賦予相應的權值，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)絡時間序列預測模型（GT-Elman），從而增強了Elman神經(jīng)網(wǎng)絡對時間序列的預測性能。
　　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)絡結構，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)特征學習模型得到時序數(shù)據(jù)的特征作為時間序列預測模型的輸入，能更好的提高預測精度，提高系統(tǒng)的預測性