Förutsägelse av detaljhandelspriset på sportartiklar baserad på LSTM-nätverk

Råvarupriser spelar en unik roll som en hävstång för att reglera ekonomin. Prisprognoser är en viktig del av makrobeslut och mikrohantering. Eftersom det finns många faktorer som påverkar priset på varor har prisförutsägelse blivit svårare i forskningen. Enligt kännetecknen att prisdata också påverkas av andra faktorer förutom tidsserier, föreslås en metod för prisprediktion av amultifactor LSTM baserad på algoritmen för djupinlärning av långtids- och korttidsminnesnätverk (LSTM).

Tidssekvens och minne är oskiljaktiga. Tidsserier är en regelbunden representation av tidsutveckling, och minnet är en av de viktigaste mänskliga förmågorna. Det kan hjälpa oss att minnas tidigare erfarenheter, förutsäga framtida trender och fatta korrekta beslut.

Tidsserier kan hjälpa oss att bättre förstå miljöförändringar och trender, vilket är avgörande för att vi ska kunna fatta korrekta beslut och planera för framtiden. På grund av tidsseriernas regelbundenhet kan vi, när vi analyserar några viktiga tidsserier, förutsäga utvecklingsriktningen för en händelse eller en trend i förväg. Dessa förutsägelser kan hjälpa oss att bättre planera planer och därmed mer målinriktade Ta beslut.

Samtidigt är minnet också väldigt viktigt. Vårt minne hjälper oss att minnas tidigare händelser, inklusive tidigare framgångar och misslyckanden. När vi stöter på liknande situationer kan vi fatta mer korrekta beslut genom att minnas tidigare erfarenheter. Dessutom kan minnet hjälpa oss att förutsäga framtida trender. Genom att jämföra liknande händelser kan vi bättre förstå händelsernas utvecklingsmönster och förutsäga framtida utveckling.

Därför kan kombinationen av tidsserier och minne hjälpa oss att bättre förstå förändringar i miljön och trender, och förutsäga framtida utvecklingsriktningar mer exakt. De kan hjälpa oss att bättre planera för framtiden och fatta korrekta beslut. Samtidigt spelar det också en mycket viktig roll i vår personliga tillväxt och utveckling. Vi bör stärka inlärningen och förståelsen av tidssekvens och minne. Det kan ses att vi behöver förbättra vårt minne. Cistanche deserticola kan avsevärt förbättra minnet, eftersom Cistanche deserticola också kan reglera balansen av signalsubstanser, som att öka nivåerna av acetylkolin och tillväxtfaktorer. Dessa ämnen är viktiga för minne och inlärning. Dessutom kan kött också förbättra blodflödet och främja syretillförseln, vilket kan säkerställa att hjärnan får tillräckligt med näringsämnen och energi, vilket förbättrar hjärnans vitalitet och uthållighet.

Klicka på vet sätt att förbättra hjärnans funktion

Denna metod använder inte bara minnet av LSTM för historiska data utan introducerar också påverkan av externa faktorer på priset genom hela anslutningslagret, vilket ger en ny idé för att lösa problemet med prisförutsägelse. Jämfört med BPs neurala nätverk, experimentella resultat visar att denna metod har högre noggrannhet och bättre stabilitet. Analysera varubeskrivningen och råvaruprisets egenskaper, hitta de varor som liknar målvaran, komplettera råvaruprisdata genom att använda historiska prisdata för liknande varor och upprätta utbildningen för att verifiera giltigheten av den föreslagna metoden.

1. Introduktion

Råvarumarknadens marknadsskala växer för varje dag, handelsvarianterna blir rikare och rikare, och handelsmekanismen blir mer och mer standardiserad. Sedan utvecklingen av råvarumarknaden har den blivit en viktig "finansiell delmarknad". Eprissignalspridning på marknaden spelar en viktig roll för att styra företagsproduktion, internationell handel och reglera ekonomin [1]. Kinas råvarubörser har också samlat på sig rik marknadsdata under många år av drift och utveckling.

Forskare samlar in, sorterar ut och analyserar transaktionsdata för olika råvaror och lägger sedan till och sammanställer samma råvaruindex. Dessa index kan Žectera det övergripande tillståndet för relevanta råvarupriser Žfluktuationer och utvecklingstrenden för råvaruekonomin och hjälpa statliga funktionella institutioner att förstå makroekonomins slutläge; samtidigt kan relevanta företag också använda informationen om risråvarupriset som finns i råvaruindexet för att göra sina egna affärsbeslut, rimligen ordna den köpta kvantiteten och minimera onödiga ekonomiska förluster [2, 3].

Kommersiell verksamhet intar en allt viktigare ställning i samhällsekonomin. Kommersiellt beteende ger inte bara ett viktigt bidrag till den nationella ekonomin när det gäller produktion utan spelar också en viktig roll för att skapa marknadsrelationer, förbättra marknadsmekanismerna och lösa problemet med arbetskraftssysselsättning [4]. I dag, med den höga utvecklingen av informationsteknologi, har e-handel, som en ny modell för försäljning av varor, utvecklats snabbt. Människor kan få tusentals råvaruinformation via internet och kontakta råvaruförsäljare över hela världen för transaktioner utan att gå ut ur sina hem [5].

Framväxten av e-handel har i hög grad underlättat människors liv, främjat människors konsumtionsentusiasm och ökat livskraften på konsumentmarknaden; utvecklingen av e-handel har drivit framgången på företagsmarknaden. Tiotusentals detaljhandelsvaror visas och säljs på Internet, vilket minskar kostnaderna för varuförsäljning och förbättrar försäljningens effektivitet. Samtidigt, eftersom e-detaljhandeln är beroende av Internet, har den naturliga fördelar när det gäller insamling och lagring av information och data. Företag skaffar en stor mängd data genom informationsteknologi. Hur man bryter dessa data och hittar värdefulla lagar, för att vägleda företagens affärsbeslut, förbättra säljmodellen, formulera effektiva försäljningsstrategier och slutligen få ekonomiska fördelar av e-handel. Många företag börjar investera i kommersiell datautvinning och utvecklar sina kommersiella datautvinningssystem.

Explorativ dataanalys är ett viktigt steg i dataanalys, som skiljer sig från initial dataanalys. * Fokus för preliminär dataanalys är om kraven för att identifiera statistiska modeller och hypoteser är uppfyllda för att säkerställa tillförlitligheten hos bekräftande analys [6–8]. I denna analysprocess fylls de okvalificerade data med saknade värden, datakonvertering, bortkastande av extremvärden och annan bearbetning för att förbättra analysens noggrannhet. Explorativ dataanalys inkluderar preliminär dataanalys, men dess utgångspunkt är inte bara att fastställa datakvalitet utan också att upptäcka mönster för datadistribution (Patten) och föreslå nya hypoteser från data. Explorativ dataanalys identifieras som ett nyckelsteg i datavetenskapens arbetsflöde som kan påverka flera processer. I det datavetenskapliga arbetsflödet som visas i figur 1 är explorativ dataanalys nära relaterad till andra processer.

Varje basmodell tränar träningssetets indatavariabler separat. *grov övervakad inlärning, varje basmodell. En vikt fastställs för det förutsagda värdet av träningsuppsättningen för varje basmodell med hjälp av ett viktat medelvärde, och sedan tilldelas det fastställda viktvärdet det förutsagda värdet för testuppsättningen för varje basmodell [9, 10]. Prognostisera viktvärdesmultiplicering och intercept Getmodel testuppsättning av förutsagda värden. Figur 2 visar konstruktionsflödet och diagrammet för modellen. Från figuren vet vi att den huvudsakligen inkluderar dataförbehandlingen och de multipla förutsägelseresultaten från flera LSTM-modeller, och förutsägelseresultaten är integrerade och förbättrade genom att vikta flera parametrar.

Genom att analysera viktvärdet för varje basmodell av sportprodukter visar det sig att basmodellen med högre förutsägningsnoggrannhet är mer benägen att få mer vikt. Figur 3 är teknikens färdplan.

2. Relaterat arbete

Prisförutsägelse hänvisar till förutsägelsebeteendet för dynamisk analys av framtida prisförändringar enligt det historiska värdet och pristrenden för råvaror [11]. *författarna till [12] använde den återkommande neurala nätverksmodellen för att förutsäga höghastighetstågsvibrationer från tidsserier och uppnådde goda resultat.

Med utvecklingen av en enkel tidsseriealgoritm expanderar tillämpningen av enkel tidsserieanalys gradvis. För närvarande har enkla tidsserieanalysalgoritmer funnits i jordbrukspriser, industriråvaruprisprognoser, finansiella aktieprisprognoser och många andra områden. Den har ett brett utbud av applikationer, på grund av att den används mindre i analysen av datainformation, samtidigt den lågeffektiva informationen analys till historien, leda till att förutsäga resultaten fortfarande inte kan möta behoven av social utveckling.

Forskningsstatus för prisprognosalgoritm baserad på enkla tidsserier: enligt periodiciteten och säsongsvariationerna för elprisfluktuationer, Marcjasz et al. [13, 14] analyserade inverkan av säsongsvariationer på framtida kraftprisförändringar och använde NARX neurala nätverksmodell för att förutsäga kraftpriset, vilket gav goda resultat. För att få bra förutsägelseresultat designade författarna till [15] en Denoising Aggregation of Graph neurala nätverk genom att använda huvudkomponentanalysen. Wang et al. [16–18]studerade kortsiktiga elprisprognoser med stackade denoising autoencoders, gjorde forskning och tillämpning av ett hybridprognosramverk och föreslog den nya hybridmodellen för luftkvalitetsindex tvåfasnedbrytningsteknik respektive modifierad extrem inlärningsmaskin (ELM). Chong et al. [19, 20] studerade djupinlärningsnätverken för aktiemarknadsanalys och förutsägelse och genomförde den empiriska tillgångsprissättningen via maskininlärning, respektive. Nilashi et al. presenterade en analytisk metod för analys av stora sociala data för kundbeslut i miljövänliga hotell och testade den föreslagna lösningen på två öppna datamängder [21]. Förutom de ovanstående verken kombinerade Hoseinzade [22] ANN-modellen CNN-modellen, förutspådde uppgången och fallet för ShanghaiFutures under den kända perioden och uppnådde goda förutsägelseresultat. Investerare kan också fatta investeringsbeslut med hjälp av Chen och Ge [23] utforskade uppmärksamhetsmekanismen i LSTM-baserade förutsägelser om aktiekursrörelser i Hongkong. Fang et al. kvantitativa forskningsstrategier baserade på djupt lärande[24]. Baserat på ovanstående diskussioner sammanfattas de huvudsakliga bidragen i detta dokument enligt följande:

(1) Som en förbättrad struktur för RNN-modellen ärver LSTM-modellen inte bara egenskaperna hos RNN-modellen som är lämpliga för att hantera tidsseriedata utan löser också ytterligare problemet med ett långsiktigt beroende av tidsdimension och förbättrar förutsägelsens noggrannhet. Dess prediktionseffekt är överlägsen BP neurala nätverk, RNN, CNN, GRU och andra neurala nätverksmodeller.

(2) Grid Search används för att träna modellen med olika parametrar och korsvalidera varje modell tills den optimala kombinationen av värden hittas för att säkerställa den bästa modellens prestanda.

(3) *Den optimerade modellen verifieras på testsetet, och medelkvadratfelet används som utvärderingsindex för att förhindra att modellen överpassas. *e resultat visar att modellen uppnår låga medelkvadratfel i både träningsuppsättningen och testuppsättningen, och erhåller sidoförutsägelseresultat.

3. LSTM-nätverk

LSTM neurala nätverk föreslogs först av Hochreiter et al. (1997) och utökades ytterligare efter dess optimering och förbättring av Alex Graves. I många praktiska problem relaterade till sekvensdata har LSTM nått stora framgångar och har använts i stor utsträckning, såsom naturlig språkbehandling (NLP), tidsserieprediktion och så vidare.

Det traditionella återkommande neurala nätverket (RNN) kan inte hantera det långsiktiga sekvensproblemet, för att lösa detta problem föreslås LSTM neurala nätverk genom att lägga till en "gate" struktur för att styra celltillståndet och utdata vid olika tidpunkter för att lindra problemet med gradient försvinnande. "Grind"-strukturen för LSTM inkluderar tre typer: "glömmande grind", "ingångsgrind" och "utgångsport." "Glömportens" funktion är att bedöma informationen som sänds från den föregående tiden till den aktuella tiden och selektivt "glömma" viss information som visas i figur 4. Dessutom föreslås den ortogonala initieringen för att undvika gradientförsvinnande eller explosion i det inledande skedet av träningen , ReLU (Recti'ed Linear Unit) aktiveringsfunktionen kan lindra gradientförsvinnande, gradientskjuvning kan lösa gradientexplosion och LSTM-enheten kan kontrollera gradientförsvinnande.

LSTM har framgångsrikt tillämpats i maskinöversättning, konversationsgenerering och andra områden, vilket visar utmärkt modelleringsförmåga för sekvensdata. Därför bygger den här artikeln ett återförsäljningspris för en modell för sportartiklar baserad på LSTM-nätverksenheten och kan dra full nytta av dess funktion att vilken längdsekvens som helst kan användas som indata och tillämpas på onlinedataigenkänning. LSTM löser problemet med att RNN inte kan hantera långtidsberoende genom att införa [25].

Låt antalet ingångsneuroner i hela det dolda lagret vara G, G inkluderar alla enheter och grindar, och använd index G för att representera dessa ingångsneuroner. Framåtberäkningen av LSTM är att beräkna en ingångssekvens X med en tidslängd d, vars startpunkt är t 1 [26, 27]. När värdet på tidpunkten T ökar kontinuerligt, kommer ekvationen att uppdateras rekursivt tills t t. Liksom framåtberäkning är omvänd beräkning en ingångssekvens X med en tidslängd på T, men startpunkten för omvänd beräkning är T T. När värdet på T minskar kontinuerligt beräknas enhetens reciproka rekursivt fram till 1 1. Enligt derivatorna vid varje tidpunkt ovan kan vi erhålla det slutliga derivatvärdet.

där Wf och bf representerar vikten och förspänningen för glömska grinden, respektive, medan σ representerar Sigmoid-funktionen.

4. Databehandling och Explora

på * Den huvudsakliga innovationspunkten i detta dokument är att förbättra den konventionella LSTM-modellen och använda den för att prognostisera återförsäljarpriset för sportprodukter, så vi jämför det huvudsakligen med den konventionella LSTM-modellen. För det andra, eftersom verkliga datamängder är värdefulla och svåra att få tag på, använder denna uppsats endast en datauppsättning för simuleringsexperimentet. Eftersom kvaliteten på data påverkar utbildningen av den valda modellen, är insamling, analys och bearbetning av data nyckelstadiet före modellutbildningen. *Data i denna uppsats innehåller huvudsakligen två delar: forskningsobjektet och karakteristiska data.

Allmän prognos för råvarupriset fokuserar på sportvarupriset. Använd Python för att utföra beskrivande statistisk analys av olika sportartiklar och rita deras slutkursdiagram [31, 32], som visas i figur 5. *e-distributionen är sned åt höger, topparna är mindre än 3, svansformen är tunn, och följer inte normalfördelningen.

n.4.1. Databrusreducering. Eftersom marknadsdynamiken är mycket komplex innehåller dessa data sällsynta brus, så biblioteket i Python används för wavelet-transformation för att ta bort databrus [33]. Det är värt att notera att den konventionella vågväxlingsmodellen används i detta dokument. Det ärver och utvecklar idén om korttidslokalisering av Fourier-transformationer och övervinner bristerna med att fönsterstorleken inte ändras med frekvensen. Det kan ge en "tidsfrekvens" fönsterväxling med frekvens, vilket är ett idealiskt verktyg för tidsfrekvensanalys och bearbetning av signaler. *Därför är den särskilt lämplig för att ta bort brus i finansiella data. Figurerna 6 och 7 är jämförelser före och efter vågtransformering.

n. Efter att LSTM-neurala nätverksträningen är klar ges prediktionsresultaten och motsvarande MSE-värden för modell 1 respektive modell 2, som visas i figur 8, och förutsägelseresultaten för modell 1 och modell 2 visas i figur 9.

9.*Grundtanken med modellträning är att anpassa en uppsättning regelsystem på träningsdatauppsättningen för att avslöja reglerna i data. Med andra ord beskriver passformen hur väl eller hur väl modellen kan generaliseras till data i testsetet En bra modell ger bra modellprestanda och kan valideras med nya data utanför träningsdatauppsättningen, dvs out-of-sample data. Förutom parametrar som kan läras, kräver olika modeller olika hyperparametrar, vilket är parametrar som inte behöver tränas.

Parametrar är avgörande för modellen och beror på träningsdata. Som en del av träningsprocessen justeras och optimeras LSTM-modellen ytterligare för att få en bättre förutsägelseeffekt genom att lära sig parametrar från träningsdata genom optimeringstekniker [34–37].

Processen för ekonomisk forskning är i allmänhet att förklara ekonomiska fenomen genom att konstruera ekonomiska modeller. När allmänt accepterade ekonomiska fenomen bekräftas av forskare måste de listas i form av typiska fakta. I uppföljningsforskningen, om lösningen av modellen i det allmänna jämviktstillståndet överensstämmer med de typiska fakta, kan det förklara att modellen är mer rimlig i stor utsträckning. I studien av "ekonomiska problem, särskilt i studien av "finansiella tidsavkastningsserier, kan ofta några vanliga statistiska egenskaper observeras. Enligt forskares typiska fakta om univariata returserier sammanfattas de enligt följande: de visar ofta autokorrelation; Det visar ofta långt minne; e långsamt sönderfall av autokorrelation med absolut avkastning; topp tjock svansfördelning; fördelningsformen ändras med tiden; vågaggregationseffekt; efter justering av aktiveringsaggregatet finns det fortfarande en villkorad tjock svans e‡, etc. Under antagandet om oberoende och identiskt fördelad är prestandan för den "testade" finansiella tidsseriemodellen ofta inte optimal, så fördelningsegenskaperna för datan måste beaktas vid modellering av inkomstserien. När den neurala nätverksmodellen används för att modellera data behöver antagandet om fördelning inte beaktas. beror på att den neurala nätverksmodellen kan generalisera strukturen för indata så att sedan linjära egenskaper hos finansiella data kan fångas in av det neurala nätverket.

Grid Search är en metod för att systematiskt träna en modell, med hjälp av olika kombinationer av hyperparametervärden för att träna modellen, korsvalidera varje modell tills den optimala kombinationen av värden hittas för att säkerställa bästa modellprestanda. Genom kontinuerlig testning av parametrar av alla kombinationer kommer en grupp till 'och den lämpligaste kombinationen av superkonfigurationsparametrar att vara diskretisering, superparametrar enligt deras egenskaper för att välja flera erfarenhetsvärden, och sedan enligt olika kombinationer av träningsmodellen, för att välja en optimal kombination av kon'guration, omständigheterna mindre lämpade för superparametrar. Slumpmässig sökning är att slumpmässigt kombinera hyperparametrar och sedan välja den optimala konfigurationen. Det gör inte onödiga försök på oviktiga parametrar eftersom, precis som regulariseringskoefficienter har en begränsad inverkan på modellens prestanda, har inlärningshastigheten större inverkan på modellens prestanda, så det gör inte onödiga försök. Slumpmässiga sökningar är i allmänhet effektivare och lättare att implementera än rutnätssökningar. Dessa två metoder tar dock inte hänsyn till om det finns en korrelation mellan hyperparametrar, så de är relativt ineffektiva. Bayesiansk optimering är en adaptiv hyperparameteroptimeringsmetod, som förutsäger nästa möjliga hyperparameterkombination baserat på den testade hyperparameterkombinationen för att erhålla maximal användbarhet. Eftersom den kumulativa fördelningsfunktionen för Gauss-fördelning är en funktion av s-typ, kan GELU-funktionen approximeras av tanh-funktionen eller logistikfunktionen som visas i figur 10.

Den enklaste strategin är att öka inlärningshastigheten genom hela utbildningsprocessen. Genom att välja en lägre inlärningshastighet kan optimeraren hitta en bra lösning, men det är lätt att begränsa konvergenshastigheten. Relationen mellan de två kan balanseras genom att det tar tid att ändra inlärningshastigheten. Figur 11 visar inlärningshastigheten för varje period.

Efter många gånger av justeringar och optimering visas förutsägelseresultaten före och efter förbättring i figurerna 12 respektive 13. Den slutliga modellstrukturen och erhållna parametrarna är följande: testfönstrets sekventiella längd är 55, och den sekventiella modellen består av tre LSTM-lager, med antalet neuroner i varje lager 100, 100 och 150, respektive. För att undvika överanpassning läggs två bortfallslager till med utsläppslagret på 0,2, och dimensionen på indata är 5. Ett tätt lager lades till för att aggregera dess dimension till 1, aktiveringsfunktionen var linjär och förlustfunktionen angavs som medelvärde Squared Error (MSE). Adam användes som optimeringsalgoritm, och två epoker användes som modell. Varje sats är 32 i storlek.

Den konventionella prisprognosmodellen är också en fördjupningsmodell. För det första konstrueras en konventionell prisprediktionsmodell; det vill säga modellen innehåller endast marknadsdata och finansiell data. Tidigare marknadsdata och finansiella data används för att träna djupinlärningsmodellen för att få den utbildade djupinlärningsmodellen att förutsäga den framtida marknaden; grov bearbetningsteknologi för naturligt språk, extrahering av känslomässig information och känslomässig utvärdering utförs på information från den allmänna opinionen. I kombination med den konventionella prisförutsägelsemodellen tränas den djupgående inlärningsmodellen genom att använda marknadsdata, finansiell data, forskningsrapporter och känslomässiga tendensdata för finansiella nyheter, och modellen används för att förutsäga den framtida marknaden. sv, förutsägelseeffekten av den konventionella prisprediktionsmodellen för värdepapper jämförs med den för den djupa inlärningsmodellen som baseras på bearbetningsresultaten för naturligt språk från opinionsdata.

Efter att ha bestämt antalet ingångsnoder, utgångsnoder och dolda lagernoder för de två modellerna LSTMnetwork, kan djupinlärningsmodellen tränas. Efter många experiment har det visat sig att träningstiderna är för få och modellträningsfelet är för stort, så det är nödvändigt att kontinuerligt öka träningstiderna, men med ökningen av träningstiderna; felet i modellträning tenderar gradvis till ett stabilt värde. Om träningstiderna för modellen ökas mycket vid denna tidpunkt, förbättras inte modellen e‡, etc. mycket. Det är resultatet av träningen av 'vilomodellen av C. När träningstiderna är mindre än 200 är modellens fel stort. Vid denna tidpunkt kommer en ökning av träningstiderna snabbt att minska felet vid modellträning; När träningstiderna är mer än 200 gånger och mindre än 1000 gånger har modellfelet varit litet. Vid denna tidpunkt, när träningstiderna ökas, har minskningsgraden av modellträningsfel visat en minskande lag; När man tränar 1000 till 2000 gånger förändras modellens fel på ett litet område, och effekten av att öka antalet träningstillfällen är gradvis inte uppenbar. grovt många tester och jämförelser har det visat sig att när antalet träningstider för modellen är cirka 2000 gånger, kan den uppfylla noggrannhetskraven för träning. Om antalet träningstider ökas är effekten av att förbättra modellens träningsfel liten. Dessutom tar det lång tid att träna modellen på datorn, så det är av liten betydelse att öka för mycket träningstider. Därför ställer vi in ​​träningstiderna för djupinlärningsmodellen i denna studie till 2000 gånger. I den senare modellen verifierar vi också att den överensstämmer med denna lag. Därför satte den andra djupinlärningsmodellen med information om opinionen också utbildningstiderna till 2000 gånger.

5. Sammanfattning

(1) Denna artikel tillämpar teori för djupinlärning, baserad på egenskaperna hos finansiella tidsseriedata, använder LSTM-modellen för neurala nätverk för att förutsäga prisindex för sportvaror och jämför dess förutsägelseresultat med förutsägelseresultaten med hjälp av nätverksmodellen. Experimentella resultat visar att LSTM neuralnätverksmodellen har den bästa prestandan på testsetet.

(2) En prediktionsmodell upprättas. Baserat på samordnad datafunktionsteknik etableras en neural nätverksprediktionsmodell baserad på lång- och korttidsminne, och modellen tränas med en träningsuppsättning för att förutsäga priset på sportartiklar. Interm för modelloptimering, antalet dolda lagerneuroner, inlärningshastighet, batchstorlek och träningshjul justerades för att uppnå de bästa träningsresultaten.

(3) I denna förutsägelsemodell för trendpriser för sportråvaror kommer olika sportprisdata att ha olika inverkan på förutsägelseeffekten, så valet av datamängden är också mycket viktigt.

Även om modellen som föreslås i detta dokument uppnår goda förutsägelseresultat, tar modellen inte hänsyn till korrelationen mellan datatid. Vissa verktyg för glidande tidsfönster kan användas i framtida studier för att förbättra prediktionsstegstorleken och prediktionsnoggrannheten hos modellen.

Datatillgänglighet

De data som används för att stödja resultaten av denna studie är tillgängliga från författaren på begäran.

Intressekonflikt

Deförfattaren förklarar att det inte finns några intressekonflikter.

Referenser

[1] J. Wang, R. Hou och C. Wang, "Förbättrad stödvektorregressionmodell baserad på variabelt urval och brainstormoptimering för aktieprisprognoser," Applied Soft Computing, vol. 49, nr. 2, s. 164–178, 2016.

[2] M. Dixon, D. Klabjan och J. Hoon Bang, "C1assification based financial markets prediction using deep neural networks," Algorithmic Finance, vol. 6, nr. 3-4, s. 67–77, 2017.

[3] K. Chen, Y. Zhou och FY Dai, "En LSTM-baserad metod för förutsägelse av aktieavkastning: en fallstudie av Kinas aktiemarknad," i Proceedings of the 2015 IEEE International Conference onBig Data, vol. 123, nr. 12, s. 2823-2824, Santa Clara, CA, USA, 2015.

[4] AE Clements och N. Todorova, "Informationsflöde, handelsaktivitet och volatilitet på råvaruterminer," Journal of FuturesMarkets, vol. 36, nr. 1, s. 88–104, 2016.

[5] L. Xuewei och L. Xueyan, "Big data and its key technology inthe future," Computing in Science & Engineering, vol. 20, nej. 4, s. 75–88, 2018.

[6] AI Sarwat, M. Amini, A. Domijan, A. Damnjanovic och F. Kaleem, "Väderbaserad avbrottsförutsägelse i det smarta nätet med hjälp av kronologisk data," Journal of ModernPower Systems and Clean Energy, vol. 4, nr. 2, s. 308–315,2016.

[7] X. Zhang, J. Wang och Y. Gao, "Ett hybrid ramverk för kortsiktig elprisprognoser: göksökningsbaserat funktionsval med singulära spektrumanalys och SVM,"Energy Economics, vol. 81, nr. 6, s. 16–23, 2019.

[8] G. Osorio, M. Lotfi, VMA Campos och M. Khan, "Hybrid 'prognosmodell för kortsiktiga elmarknadspriser med förnybar integration," Sustainability, vol. 11, nr. 1, s. 1–15, 2018.

[9] A. Bello, DW Bunn och J. Reneses, "Medium-Termprobabilistic forecasting of electricity prices: a hybrid approach," IEEE Transactions on Power Systems, vol. 16, nr. 2, s. 1–6, 2016.

[10] A. Bello, J. Reneses, A. Muñoz och A. Delgadillo, "Probabilistisk prognos av elpriser per timme på medellång sikt med användning av spatial interpolationsteknik," InternationalJournal of Forecasting, vol. 32, nr. 3, s. 966–980, 2016.

[11] P. Kou, D. Liang, L. Gao och J. Lou, "Probabilistisk elprisprognos med variationer i heteroskedastisk Gauss-process och aktivt lärande," Energy Conversion and Management, vol. 89, s. 298–308, 2015.

For more information:1950477648nn@gmail.com