使用LSTM循环神经网络集成模拟回火算法进行铜价预测
Jiahao Chen1, Jiahui Yi1, Kailei Liu2
1School of Economics and Management, China University of Geosciences, Wuhan, Hubei, China.
PloS one
|October 30, 2023
概括
本研究介绍了一种使用长短期记忆 (LSTM) 和模拟回火 (SA) 的人工智能模型,以准确预测铜价. 该模型利用经济指标进行可靠的预测,为投资者和政策制定者提供见解.
科学领域:
- 经济学 经济学 经济学
- 人工智能的人工智能
- 时间序列分析时间序列分析
背景情况:
- 铜价波动对国家经济产生重大影响,涉及政策制定者,贸易商和投资者.
- 准确的铜价预测对于经济稳定和投资策略至关重要.
- 现有的预测模型往往缺乏动态市场条件所需的精度.
研究的目的:
- 开发一个高度准确的AI模型来预测铜价格.
- 通过超参数优化来提高长期短期记忆 (LSTM) 模型的效率.
- 为分析未来铜价格趋势提供可靠的工具.
主要方法:
- 使用人工智能方法,特别是长期短期记忆 (LSTM) 网络.
- 集成了一个模拟回火 (SA) 算法来优化LSTM超参数以提高性能.
- 用于特征工程的相关性分析,选择高度相关的经济指标 (WTI石油,黄金,白银价格) 作为模型输入.
- 在三个不同的时间段 (485,363和242天) 训练和预测铜价.
主要成果:
- 取得了非常准确的铜价预测,误差最小:0.00195 (485天),0.0019 (363天) 和0.00097 (242天).
- 与现有文献相比,证明了更高的预测准确性.
- 验证了LSTM和SA结合方法对时间序列预测的有效性.
结论:
- 开发的AI模型提供了一种可靠和准确的铜价预测方法.
- 模拟回火和相关性分析的整合显著提高了LSTM模型的性能.
- 这项研究为参与铜市场和经济政策的利益相关者提供了宝贵的见解.
