• 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)

HTML全文

    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(31)

  • 期刊类型引用(11)

    1. 周显春，喻佳. 基于图神经网络的人工自然语言语义挖掘仿真. 计算机仿真. 2024(01): 344-348 . 百度学术
    2. 孟祥福，田友发，张霄雁. 基于LightGBM模型的肺腺癌免疫相关基因筛选与患者生存率预测. 生物医学工程学杂志. 2024(01): 70-79 . 百度学术
    3. 陈伟，周丽华，王亚峰，王丽珍，陈红梅. 异质信息网络中基于解耦图神经网络的社区搜索. 计算机科学. 2024(03): 90-101 . 百度学术
    4. 万齐智，万常选，胡蓉，刘德喜，刘喜平，廖国琼. 面向研究问题的深度学习事件抽取综述. 自动化学报. 2024(11): 2079-2101 . 百度学术
    5. 刘超，孔兵，杜国王，周丽华，陈红梅，包崇明. 高阶互信息最大化与伪标签指导的深度聚类. 浙江大学学报(工学版). 2023(02): 299-309 . 百度学术
    6. 杨成波，周丽华，黄亚群，杨宇迪. 异质网络中基于关键词属性的Truss社区搜索. 计算机应用研究. 2023(06): 1708-1714 . 百度学术
    7. 白明昌. 基于折叠路径聚合的属性网络节点嵌入方法. 计算机工程. 2023(07): 76-84 . 百度学术
    8. 谢小杰，梁英，王梓森，刘政君. 基于图卷积的异质网络节点分类方法. 计算机研究与发展. 2022(07): 1470-1485 . 本站查看
    9. 王宏琳，杨丹，聂铁铮，寇月. 自注意力机制的属性异构信息网络嵌入的商品推荐. 计算机研究与发展. 2022(07): 1509-1521 . 本站查看
    10. 盛妍，朱龙珠，丁毛毛，刘鲲鹏，刘海龙. 面向电力服务情绪识别的图卷积网络方法研究. 电子器件. 2022(04): 959-963 . 百度学术
    11. 李琳，梁永全，刘广明. 基于重启随机游走的图自编码器. 计算机应用研究. 2021(10): 3009-3013 . 百度学术

    其他类型引用(20)

    • 资源附件(0)
计量
  • 文章访问数:  1610
  • HTML全文浏览量:  8
  • PDF下载量:  917
  • 被引次数: 31
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(31)
    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