深度神经网络方法与强化学习相结合,用于使用时间序列数据和影响因素预测汇率
T Soni Madhulatha1, Dr Md Atheeq Sultan Ghori2
1Department of Computer Science, Telangana University, 503322, Dichpalli, Nizāmābād, India. latha.gannarapu@gmail.com.
Scientific reports
|August 8, 2025
概括
本研究介绍了一种新的混合模型,该模型结合了长短期记忆 (LSTM) 网络和深度Q网络 (DQN) 代理,用于自适应的汇率预测. 新框架显著提高了在波动性金融市场的预测准确性和适应性.
科学领域:
- 量化金融 量化金融
- 计算经济学计算经济学
- 机器学习 机器学习
背景情况:
- 由于市场波动和非线性时间序列,汇率预测面临挑战.
- 现有的ARIMA,LSTM,GRU,TSMixer和AB-LSTM-GRU等模型对实时市场动态的适应能力有限.
研究的目的:
- 为适应性汇率预测开发一个创新的混合框架.
- 在动态的金融市场中提高预测准确性和模型适应性.
主要方法:
- 一个混合框架,集成长期短期记忆 (LSTM) 网络,以捕获时间依赖.
- 整合一个深度Q网络 (DQN) 代理用于自适应,反驱动的代优化.
- 使用USD/INR汇率数据进行实验验证.
主要成果:
- 拟议的LSTM-DQN模型与五种最先进的模型相比,表现出了更高的性能.
- 实现了0.37的较低平均平方误差 (MSE) 和0.61.61的根平均平方误差 (RMSE).
- 该模型在最大限度地减少预测错误方面表现出更高的稳定性和准确性.
结论:
- 混合LSTM-DQN框架为汇率预测提供了更好的适应性和预测准确性.
- 这种方法对交易员,投资者和政策制定者的财务决策产生了重大影响.
- 该模型提供了一个灵活的工具,用于导航复杂和不断变化的金融系统.
