• 中国精品科技期刊
  • CCF推荐A类中文期刊
  • 计算领域高质量科技期刊T1类
高级检索

基于深度神经网络结构的互联网金融市场动态预测

赵洪科, 吴李康, 李徵, 张兮, 刘淇, 陈恩红

赵洪科, 吴李康, 李徵, 张兮, 刘淇, 陈恩红. 基于深度神经网络结构的互联网金融市场动态预测[J]. 计算机研究与发展, 2019, 56(8): 1621-1631. DOI: 10.7544/issn1000-1239.2019.20190330
引用本文: 赵洪科, 吴李康, 李徵, 张兮, 刘淇, 陈恩红. 基于深度神经网络结构的互联网金融市场动态预测[J]. 计算机研究与发展, 2019, 56(8): 1621-1631. DOI: 10.7544/issn1000-1239.2019.20190330
shu
Zhao Hongke, Wu Likang, Li Zhi, Zhang Xi, Liu Qi, Chen Enhong. Predicting the Dynamics in Internet Finance Based on Deep Neural Network Structure[J]. Journal of Computer Research and Development, 2019, 56(8): 1621-1631. DOI: 10.7544/issn1000-1239.2019.20190330
Citation: Zhao Hongke, Wu Likang, Li Zhi, Zhang Xi, Liu Qi, Chen Enhong. Predicting the Dynamics in Internet Finance Based on Deep Neural Network Structure[J]. Journal of Computer Research and Development, 2019, 56(8): 1621-1631. DOI: 10.7544/issn1000-1239.2019.20190330
shu
赵洪科, 吴李康, 李徵, 张兮, 刘淇, 陈恩红. 基于深度神经网络结构的互联网金融市场动态预测[J]. 计算机研究与发展, 2019, 56(8): 1621-1631. CSTR: 32373.14.issn1000-1239.2019.20190330
引用本文: 赵洪科, 吴李康, 李徵, 张兮, 刘淇, 陈恩红. 基于深度神经网络结构的互联网金融市场动态预测[J]. 计算机研究与发展, 2019, 56(8): 1621-1631. CSTR: 32373.14.issn1000-1239.2019.20190330
shu
Zhao Hongke, Wu Likang, Li Zhi, Zhang Xi, Liu Qi, Chen Enhong. Predicting the Dynamics in Internet Finance Based on Deep Neural Network Structure[J]. Journal of Computer Research and Development, 2019, 56(8): 1621-1631. CSTR: 32373.14.issn1000-1239.2019.20190330
Citation: Zhao Hongke, Wu Likang, Li Zhi, Zhang Xi, Liu Qi, Chen Enhong. Predicting the Dynamics in Internet Finance Based on Deep Neural Network Structure[J]. Journal of Computer Research and Development, 2019, 56(8): 1621-1631. CSTR: 32373.14.issn1000-1239.2019.20190330
shu

基于深度神经网络结构的互联网金融市场动态预测

  • 1(天津大学管理与经济学部 天津 300072)

  • 2(大数据分析与应用安徽省重点实验室(中国科学技术大学) 合肥 230027) (hongke@tju.edu.cn)

基金项目: 国家自然科学基金项目(71790594,71722005)
详细信息

  • 中图分类号: TP18

Predicting the Dynamics in Internet Finance Based on Deep Neural Network Structure

  • 1(College of Management and Economics, Tianjin University, Tianjin 300072)

  • 2(Anhui Province Key Laboratory of Big Data Analysis and Application (University of Science and Technology of China), Hefei 230027)

摘要

    摘要
  • 摘要: 近些年，互联网金融市场在国内外迅速发展；同时，针对互联网金融市场的研究也成为了学术界的热点.相比于传统金融市场，互联网金融市场具有更高的流动性和易变性.针对互联网金融市场的动态(日交易量和日交易次数)进行研究，提出了基于深度神经网络结构的融合层次时间序列学习的预测模型.首先，该模型可以实现对多序列(市场宏观动态序列和多种子序列)特征变量输入的处理，并且在时间和序列特征2个维度上利用注意力机制来融合输入变量.其次，模型设计了基于预测序列平稳性约束的优化函数，使得模型具有更好的稳健性.最后，在真实的大规模数据集上进行了大量的实验，结果充分证明了所提出的模型在互联网金融市场动态预测问题上的有效性与稳健性.
    Abstract: In recent years, the Internet financial market has achieved rapid development across the globe. In the meantime, Internet finance has become a hot topic in academia. Compared with traditional financial markets, the Internet financial market has higher liquidity and volatility. In this paper, the dynamics (daily trading amount and count) of the Internet financial market is studied and a prediction model is proposed based on deep neural network for fusion hierarchical time series learning. Firstly, the model can process the multiple sequence (macro dynamic sequence and multiple subsequences) feature as the input variables. And then, an attention mechanism is proposed to fuse the input variables from both the time and subsequence feature dimensions. Next, the model designs an optimization function based on the stability constraint of the sequence prediction, which makes the model have better robustness. Finally, a large number of experiments have been carried out on real large-scale data sets, and the results have fully proved the effectiveness and robustness of the proposed model in the dynamic prediction of Internet finance market.
    • HTML全文
    • 参考文献(0)
    • 相关文章
    • 施引文献(55)

  • 期刊类型引用(18)

    1. 孟祥福，石皓源. 基于Transformer模型的时序数据预测方法综述. 计算机科学与探索. 2025(01): 45-64 . 百度学术
    2. 覃悦，谢开仲，郭晓，王红伟，王秋阳，彭佳旺. 基于互信息和MiniRocket网络的CFST脱空识别. 振动与冲击. 2024(08): 202-212 . 百度学术
    3. 汤兴恒，郭强，徐天慧，张彩明. 基于多尺度核自适应滤波的股票收益预测. 计算机应用. 2023(05): 1385-1393 . 百度学术
    4. 梁宏涛，刘硕，杜军威，胡强，于旭. 深度学习应用于时序预测研究综述. 计算机科学与探索. 2023(06): 1285-1300 . 百度学术
    5. 金宇凯，李志生，欧耀春，张华刚，曾江毅，陈搏超. 基于多阶段聚类的PM_(2.5)质量浓度预测及对比研究. 广东工业大学学报. 2023(03): 17-24 . 百度学术
    6. 赵洪科，周启璇，尹德虎，张兮，任丽雪，刘春丽. 众筹项目筹资绩效的信息影响机制研究:基于Indiegogo平台证据. 管理工程学报. 2023(06): 145-156 . 百度学术
    7. 毛伊敏，耿俊豪，陈亮. 结合信息论改进的并行深度森林算法. 计算机工程与应用. 2022(07): 106-115 . 百度学术
    8. 朱益冬，陈玉明，卢俊文，曾念峰. 融合Logistic回归与Tabnet模型的P2P网贷违约预测方法. 厦门理工学院学报. 2022(03): 38-47 . 百度学术
    9. 蒋慧敏，陈锋. 融合深度学习和知识图谱的金融时间序列建模与预测. 小型微型计算机系统. 2022(09): 1793-1800 . 百度学术
    10. 李徵，刘淇，王喆锋，郑毅，林霞，怀宝兴，米兰，陈恩红. 基于地质知识蒸馏学习的油气储集层识别方法. 中国科学:信息科学. 2021(01): 40-55 . 百度学术
    11. 王基厚，林培光，周佳倩，李庆涛，张燕，蹇木伟. 结合公司财务报表数据的股票指数预测方法. 计算机应用. 2021(12): 3632-3636 . 百度学术
    12. 李经纬，朱冬冬. 我国宏观经济指数的构建与预测——基于灰色系统理论. 时代金融. 2020(06): 5-6 . 百度学术
    13. 陆明，周菁，张平. 基于灰色神经网络模型的动车组检修测量设备量值状态预测研究. 铁道技术监督. 2020(02): 10-13 . 百度学术
    14. 闫梦，王聪. 基于多尺度集成模型预测碳交易价格——以广州碳排放交易中心为例. 技术经济与管理研究. 2020(05): 19-24 . 百度学术
    15. 吴艳丽，武创举，阴钰娇. 证据理论和神经网络的互联网教学质量评估模型. 现代电子技术. 2020(19): 175-178 . 百度学术
    16. 李桂芝，王雪标. 大数据背景下基于GRBF神经网络的P2P机构信用风险预警研究. 数学的实践与认识. 2020(17): 35-43 . 百度学术
    17. 林天华，张倩倩，祁旭阳，赵霞. 证券大数据分析研究. 计算机技术与发展. 2020(10): 179-186 . 百度学术
    18. 张倩倩，林天华，祁旭阳，赵霞. 基于机器学习的股票预测研究综述. 河北省科学院学报. 2020(04): 15-21 . 百度学术

    其他类型引用(37)

    • 资源附件(0)
计量
  • 文章访问数:  1607
  • HTML全文浏览量:  8
  • PDF下载量:  916
  • 被引次数: 55
出版历程
  • 发布日期:  2019-07-31

目录

摘要
HTML全文
    参考文献(0)
    相关文章
    施引文献(55)
    资源附件(0)

    /

    返回文章
    返回
    邮件订阅 RSS
    微信订阅号<br/>（实时资讯）

    微信订阅号
    （实时资讯）

    微信服务号<br/>（同步网站）

    微信服务号
    （同步网站）

    微信视频号<br/>（视频分享）

    微信视频号
    （视频分享）

    CCF<br/>（扫码入会）

    CCF
    （扫码入会）

    版权所有 © 《计算机研究与发展》编辑部

    本系统由北京仁和汇智信息技术有限公司开发  百度统计