Finanzielle Zeitreihenprognose mit dem Deep Learning Ensemble-Modell

Mit der kontinuierlichen Entwicklung der Finanzmärkte weltweit, um raschen Veränderungen wie dem Klimawandel und der globalen Erwärmung entgegenzuwirken, wird die Bedeutung der finanziellen Zeitreihenprognose im Betrieb und Management der Finanzmärkte zunehmend anerkannt. In diesem Papier schlagen wir ein neues Modell zur finanziellen Zeitreihenprognose vor, das auf dem Deep Learning Ensemble-Modell basiert. Das Modell wird konstruiert, indem ein konvolutionales neuronales Netzwerk (CNN), ein Long Short-Term Memory (LSTM)-Netzwerk und das autoregressive gleitende Mittel (ARMA)-Modell genutzt werden. Das CNN-LSTM-Modell wird eingeführt, um die Merkmale räumlich-zeitlicher Daten zu modellieren, während das ARMA-Modell verwendet wird, um die Merkmale der Autokorrelation zu modellieren. Diese Modelle werden im Rahmen des Ensembles kombiniert, um die Mischung von linearen und nicht-linearen Datenmerkmalen in den finanziellen Zeitreihen zu modellieren. Die empirischen Ergebnisse mit finanziellen Zeitreihendaten zeigen, dass das vorgeschlagene Finanzzeitreihenprognosemodell auf Basis von Deep Learning-Ensemble eine überlegene Leistung hinsichtlich der Prognosegenauigkeit und Robustheit im Vergleich zu den Referenz-Individualmodellen erreicht hat.