改进长期短期记忆 (LSTM) 网络进行套利扩散预测:在混乱的映射空间中集成子和斑马算法,以提高准确性
Mingfu Zhu1,2, Yaxing Liu1, Panke Qin1,2
1Henan Polytechnic University, School of Computer Science and Technology, Jiaozuo, Henan, China.
PeerJ. Computer science
|February 3, 2025
概括
本研究介绍了使用Cuckoo和Zebra算法进行金融套利扩散预测的优化长期短期记忆 (LSTM) 网络. 新模型显著提高了动态市场的预测准确性和利能力.
科学领域:
- 计算金融是指计算金融.
- 机器学习 机器学习
- 金融时间序列分析分析
背景情况:
- 长短期内存 (LSTM) 网络对于财务时间序列预测至关重要,但在套利扩散预测中,对于大数据集的超参数调整而苦苦扎.
- 现有的LSTM启发式算法往往无法捕捉期货传播数据的复杂动态,限制了预测准确性和模型适应性.
研究的目的:
- 为改进套利利差预测提出一个由Cuckoo和Zebra算法优化的集成LSTM (ICS-LSTM) 网络.
- 提高财务预测中的LSTM模型的融合速度和解决方案优化.
主要方法:
- 通过整合Cuckoo和Zebra算法开发了一个ICS-LSTM网络.
- 在Cuckoo算法中用Zebra算法搜索机制取代了Lévy飞行.
- 将模型应用于用于预测任务的金融期货差价数据.
主要成果:
- 实现了0.011的平均绝对百分比误差 (MAPE),3.326的平均平方误差 (MSE),1.267的平均绝对误差 (MAE) 和0.996.996的R平方 (R2).
- 与现有方法相比,表现出显著的性能改善,将MAPE降低了8.3-50.0%,MSE降低了10.2-77.8%,MAE降低了9.3-63.0%.
结论:
- 与传统方法相比,ICS-LSTM网络在套利利差预测方面提供了卓越的性能.
- 拟议的模型通过提供更准确的差价预测和捕捉复杂的市场动态来提高交易策略的利能力.
