2025《价格预测的神经网络模型分析综述》3000字.docVIP

第PAGE6页共

第PAGE6页共NUMPAGES42页

价格预测的神经网络模型分析综述

目录

TOC\o1-3\h\u8865价格预测的神经网络模型分析综述 1

135671.1人工神经网络模型 1

31871.2循环神经网络模型 2

308131.3长短期记忆神经网络模型 4

174111.4LSTM模型建模步骤 6

1.1人工神经网络模型

人工神经网络（ArtificialNeuralNetworks,ANN)也称为神经网络，它模仿了生物体神经细胞的工作原理，构建神经元来传递处理信号信息。神经元之间的关联与突触十分相似，都是将信号由一个节点传递到另一个节点，下一个节点在接收信号之后再根据一定机制对信号进行处理，再将处理后的信号传递给下一个节点。其结构一般包含输入层、隐藏层以及输出层。由大量的节点(神经元）相互连接来构成层与层之间的结构，每个节点输出信息的机制由激活函数（activationfunction)唯一决定。上层网络输出的信号按照一定的权重进行处理，得到的结果输入到下层网络作为新的输入，而训练人工神经网络的关键就在于设置隐藏层及神经元个数，选择激活函数并调整神经元层之间的权重关系。

人工神经网络最初的目标是通过计算机仿生，将网络中信息的并行传递处理，实现分布式信息存储和计算的功能，以模仿人脑神经系统的信息传递处理机制。与其他传统机器学习算法相比ANN具备很多优势，主要表现在以下方面：

非线性

由于其独特的层级结构以及激活函数，层与层之间对信息的处理结果很难简单的用线性关系进行解释和刻画，在大量的复杂非线性数据处理过程中，其往往能够成功识别出变量之间的非线性关系，因此在非线性数据的预测方面，神经网络拥有着更强的实用性和理论优势。

强大的计算能力

由于其模拟生物神经系统神经元之间的平行结构，因此各层网络的神经元可以并行处理信息，极大程度上提升了对网络中信息的计算速度。同时因为这种独特的平行结构，其容错能力也优于一般模型。

自学习性以及自适应性

神经网络模型的结构是可变的，通过特定算法与结构对权重系数进行反复调整，更好的完成对训练数据的拟合，同时也具备着对未出现数据的泛化能力。此外，与传统统计方法不同,神经网络模型不需要满足假设条件，例如数据的正态分布以及独立变量等。

为了让大家更好的理解神经网络模型，REF第二章1\h图2-1给出结构示意图：

图2-SEQ图2-\*ARABIC1神经网络结构图

1.2循环神经网络模型

循环神经网络（RecurrentNeuralNetwork）也就是我们常说的RNN模型，其特殊的反馈回路不同于以往的人工神经网络模型，反馈回路会将不同时刻的信息连接在一起，由于其特殊的结构，某一时刻隐藏层不仅能够从上层网络中得到信息，不同时刻的隐藏层节点之间还存在着连接，这令输入的时间序列数据具有相关性，简而言之其对早期数据具有了记忆能力。正是由于这种特性，其在解决序列数据问题方面取得了重大突破。近年来，RNN模型已经广泛被应用在诸多领域，如机器翻译、文字识别、语音识别、时间序列分析等方面。原油期货数据是时间序列数据，其预测问题是一个很典型的时间序列问题，RNN模型能够帮助我们很好的进行预测。

为了便于理解循环神经网络特性，REF第二章2\h图2-2给出其具体结构：

图2-SEQ图2-\*ARABIC2循环结构图

在REF第二章2\h图2-2中，Xt是t时刻的输入信号，ot是t时刻的输出信号，A是隐藏层神经单元，ht是t时刻A输出的记忆信号，ht?1是上一时刻A输出的记忆信号。如图所示，t?1时刻的输出记忆信号ht?1与Xt共同作为t时刻的输入，

为了让大家更好的理解反馈回路的工作原理，REF第二章3\h图2-3将给出其展开形式：

图2-SEQ图2-\*ARABIC3循环结构展开形式图

此外，还将给出循环神经网络的计算过程：

o

h

公式(2.15)是输出层的计算公式，公式(2.16)是隐藏层输出的计算公式。其中M是进入隐藏层之前对Xt进行计算的权重矩阵，N是进入输出层之前对ht进行计算的权重矩阵，W是对记忆信号ht?1进行计算的权重矩阵，p

o

从公式(2.17)可以看出，最终的输出值是受到Xt

1.3长短期记忆神经网络模型

虽然RNN模型在理论上能够很好的对时间序列数据进行预测，不过最终公式中存在的Wk将会导致随着W

长短期记忆神经网络（LongShort-TermMemory），简称为LSTM，本质上是一种循环神经网络，不同于一般RNN模型的是，LSTM模型的循环结构内部不再只有一个网络层