MATLAB深度学习Transformer神经网络量化金融时间序列预测交易策略回测
此文展示了如何在MATLAB®中使用Transformer网络对股票的每日价格进行建模。
此文展示了如何在MATLAB®中使用Transformer网络对股票的每日价格进行建模。
近年来人工神经网络被学者们应用十分广泛,预测领域随着神经网络的引入得到了很大的发展。
WeChat Tencent QQ email print 由Kaizong Ye,Yue Ji撰写 在 A
本文融合了多种技术,其中 LSTM(长短期记忆网络)和 GARCH(广义自回归条件异方差)模型尤为关键。
本文将通过视频讲解,展示如何用滚动回归预测,并结合一个R语言多元时间序列滚动预测:ARIMA、回归、ARIMAX模型分析实例的代码数据,为读者提供一套完整的实践数据分析流程。
本文将通过视频讲解,展示如何用Xgboost、ARIMA 和 Prophet对国际牛肉市场市场份额数据时间序列预测,并结合一个Python# ARIMA、XGBOOST、PROPHET和LSTM预测比特币价格实例的代码数据,为读者提供一套完整的实践数据分析流程。
本文旨在探讨时间卷积网络(Temporal Convolutional Network, TCN)与CNN、RNN在预测任务中的应用。
在可再生能源领域中,太阳能光伏发电作为一种清洁、可再生的能源形式,近年来得到了广泛关注与应用。
本文旨在探讨如何利用TensorFlow和Keras中的LSTM神经网络来预测和检验股市价格时间序列数据,并通过Python编程语言和可视化技术来展示预测结果和异常检验的效果。
在全球金融市场中,汇率作为连接不同国家货币价值的桥梁,其动态变化对全球经济活动、贸易和投资具有深远影响。
在数据科学领域,时间序列分析一直是一个至关重要的研究方向,尤其在金融、气象、医学以及许多其他科学和工业领域中,准确的时间序列预测对于制定策略、政策规划以及资源管理都具有极其重要的意义。
在现代金融市场中,资产收益率序列的预测一直是投资者和金融机构关注的焦点。
本文旨在利用神经网络模型来帮助客户预测上证指数的收盘价,通过分析不同历史数据作为输入,建立模型并进行预测。
众自20世纪80年代至今,随着改革开放的深入以及中国最终加入WTO,我国的对外贸易实现了跨越式的发展,中国已经成为世界第一大出口国和第二大进口国,中国经济对世界经济做出了重大贡献。
虽然中国股票市场日益完善,但还不完全是弱有效市场,因此中国股票市场存在比较明显的通过技术分析达到的套利机会。
这篇文章展示了自激励阈值自回归SETAR的使用,用于分析经常被客户研究的太阳黑子数据集。
WeChat Tencent QQ email print 由Kaizong Ye,Sherry Deng撰写
传统时间序列模型允许包含过去观察到的系列信息,但不允许客户包含其他可能相关的信息。
随机波动模型(Stochastic volatility models)经常被客户用来对股票价格随时间的变动性进行建模。
时间序列是一系列按时间顺序排列的观测数据。
Python用 tslearn 进行时间序列聚类可视化
金融市场的股票价格时间序列分析一直以来都是投资者和研究者关注的主题之一。
ARIMA是可以拟合时间序列数据的模型,根据自身的过去值(即自身的滞后和滞后的预测误差)“解释” 给定的时间序列,因此可以使用方程式预测未来价值。
研究黄金价格的动态演变过程至关重要。
人口流动与迁移,作为人类产生以来就存在的一种社会现象,伴随着人类文明的不断进步从未间断。
在当前海量数据和资源的情况下,面对客户需求。
指数平滑法对于预测来说是非常有帮助的,而且它对时间序列上面连续的值之间相关性没有要求。
多元时间序列建模一直是吸引了来自经济,金融和交通等各个领域的研究人员的主题。
单位根的随机性趋势与协整关系对实证分析中时间序列的影响是不容小觑的。
本文通过建立空载率的数学模型,帮助客户来分析出租车的空载率,从而对出租车补贴政策能否提高高峰期的实载率,缓解打车难问题进行了说明。
电力系统源源不断向各用户提供持续稳定的电能,本文通过对数据的提取。
本文利用R语言的独立成分分析(ICA)、谱聚类(CS)和支持向量回归 SVR 模型帮助客户对商店销量进行预测。
随着金融市场全球化的发展,金融产品逐渐受到越来越多的关注,而金融产品的风险度量成为投资者最关心的问题。
普通的模型对于两个序列的波动分析一般是静态的,但是dcc-garch模型可以实现他们之间动态相关的波动分析
Google Trends, 即谷歌趋势。
WeChat Tencent QQ email print 由Kaizong Ye,Liao Bao撰写 谷歌
我国以前一直以来都是世界上大豆生产的第一大国。
本文做SV模型,选取马尔可夫蒙特卡罗法(MCMC)、正则化广义矩估计法和准最大似然估计法估计。
对于电力公司来说,对局部放电的准确预测可以显著降低人力物力成本。
作为衡量通货膨胀的基本指标,消费者价格指数CPI和生产者价格指数PPI的作用关系与传导机制一直是宏观经济研究的核心问题。
最近我们被要求解决时间序列异常检验的问题。
动态时间扭曲算法何时、如何以及为什么可以有力地取代常见的欧几里得距离,以更好地对时间序列数据进行分类
最近我们被客户要求撰写关于上海空气质量指数的研究报告。
在本工作表中,我们将研究价格、收益率和波动性。波动性通常用收益率的均方差来衡量,例如夏普比率的分母,它被用作风险的衡量标准。
近段时间,美国总统大选引起了世界各国的关注。
河源市是国务院1988年1月7日批准设立的地级市,为了深入研究河源市公路交通与经济发展的关系,本文选取了1988-2014年河源市建市以来24年的地区生产总值(GDP)和公路通车里程(GL)的时间序列数据。
本文展示了如何通过矩量的广义方法和广义经验似然来估计模型。
本文应用R软件技术,通过在世界银行网站上查阅的世界人口历史数据,分别利用logistic模型、ARFMA模型、ARIMA模型、时间序列模型对从2016到2100年的世界人口进行预测。
本文在相对简单的数据集上探索不同的时间序列技术。
波动率是一个重要的概念,在金融和交易中有许多应用。它是期权定价的基础。波动率还可以让您确定资产配置并计算投资组合的风险价值 (VaR)。
此示例说明如何使用长短期记忆 (LSTM) 网络预测时间序列
此示例说明如何从 VEC( q ) 模型生成 Monte Carlo 预测。
本文包含一些直观的示例来说明 copula 理论的核心概念。
时序数据的聚类方法
该数据由Hopkins 大学根据世界各国提供的新病例数据提供。
风险价值 (VaR) 是金融风险管理中使用最广泛的市场风险度量,也被投资组合经理等从业者用来解释未来市场风险。
在本笔记本中,我们向读者介绍了基本的随机波动率模型,并通过连续顺序重要性重采样讨论了它们的估计。我们使用收益率数据集来讨论 CSIR 在随机波动率模型估计中的实现和性能。
该项目包括:自 2000 年 1 月以来的股票价格数据。我们使用的是 Microsoft 股票。
一个简单的编码器-解码器LSTM神经网络应用于时间序列预测问题
此示例说明如何使用长短期记忆 (LSTM) 网络对序列数据的每个时间步长进行分类。
线性模型是统计学的基础,但它的意义远不止用尺子在几个点上画一条线。
当您处理金融时间序列时,我们通常可以获得相对高频的观察结果。
本文描述了一个模型,该模型解释了交易的聚集到达,并展示了如何将其应用于比特币交易数据。
从广义上讲,复杂的模型可以实现很高的预测准确性。
最近我们被客户要求撰写关于股票收益率时间序列的研究报告,包括一些图形和统计输出。在本文中,我们展示了 copula GARCH 方法拟合模拟数据和股票数据并进行可视化。
VARs的结构也允许联合检验多个方程的限制。
在多变量波动率预测中,我们有时会看到对少数主成分驱动的协方差矩阵建模,而不是完整的股票。
在投资组合管理、风险管理和衍生品定价中,波动性起着重要作用。
永远不要错过任何见解。当新文章发表时,我们会通过微信公众号向您推送。
技术干货
最新洞察
This will close in 0 seconds