Прогноза за цената на дребно на спортни стоки въз основа на мрежата LSTM

Цените на стоките играят уникална роля като лост за регулиране на икономиката. Прогнозирането на цените е важна част от вземането на макро решения и микроуправление. Тъй като има много фактори, влияещи върху цената на стоките, прогнозирането на цените се превърна в трудност в изследванията. Според характеристиките, че ценовите данни се влияят и от други фактори, с изключение на времевите редове, се предлага многофакторен метод за прогнозиране на цените LSTM въз основа на алгоритъма за дълбоко обучение на мрежата за дългосрочна и краткосрочна памет (LSTM).

Времевата последователност и паметта са неразделни. Времевият ред е редовно представяне на развитието на времето, а паметта е една от най-важните човешки способности. Може да ни помогне да си спомним минали преживявания, да предвидим бъдещи тенденции и да вземем правилни решения.

Времевите редове могат да ни помогнат да разберем по-добре промените и тенденциите в околната среда, което е от решаващо значение за вземането на правилни решения и планирането на бъдещето. Поради редовността на времевите редове, когато анализираме някои важни времеви редове, можем предварително да предвидим посоката на развитие на събитие или тенденция. Тези прогнози могат да ни помогнат да планираме по-добре планове и по този начин да вземаме по-целенасочени решения.

В същото време паметта също е много важна. Нашата памет ни помага да си припомним минали събития, включително минали успехи и неуспехи. Когато се сблъскаме с подобни ситуации, можем да вземем по-правилни решения, като си припомним минали преживявания. Освен това паметта може да ни помогне да предвидим бъдещите тенденции. Чрез сравняване на подобни събития можем по-добре да разберем моделите на развитие на събитията и да предвидим бъдещи развития.

Следователно комбинацията от времеви редове и памет може да ни помогне да разберем по-добре промените в околната среда и тенденциите и да предвидим бъдещите посоки на развитие по-точно. Те могат да ни помогнат да планираме по-добре бъдещето и да вземаме точни решения. В същото време той също играе много важна роля в нашето лично израстване и развитие. Трябва да засилим ученето и разбирането на времевата последователност и паметта. Вижда се, че трябва да подобрим паметта си. Cistanche deserticola може значително да подобри паметта, тъй като Cistanche deserticola може също да регулира баланса на невротрансмитерите, като например повишаване на нивата на ацетилхолин и растежни фактори. Тези вещества са от съществено значение за паметта и ученето. Освен това месото може също да подобри притока на кръв и да насърчи доставката на кислород, което може да гарантира, че мозъкът получава достатъчно хранителни вещества и енергия, като по този начин подобрява мозъчната жизненост и издръжливост.

Щракнете върху познайте начините за подобряване на мозъчната функция

Този метод не само използва паметта на LSTM за исторически данни, но също така въвежда влиянието на външни фактори върху цената чрез пълния слой на връзката, което предоставя нова идея за решаване на проблема с прогнозирането на цената. В сравнение с невронната мрежа BP, експерименталните резултати показват, че този метод има по-висока точност и по-добра стабилност. Анализирайте описанието на стоките и характеристиките на цените на стоките, открийте стоките, подобни на целевата стока, попълнете данните за цените на стоките, като използвате исторически данни за цените на подобни стоки и установете обучението набор за проверка на валидността на предложения метод.

1. Въведение

Пазарният мащаб на стоковия пазар се разширява с всеки изминал ден, разновидностите за търговия стават все по-богати и по-богати, а механизмът за търговия става все по-стандартизиран. След развитието на пазара на стоки, той се превърна във важен „финансов подпазар“. Разпространението на сигнала за eprice на пазара играе важна роля в насочването на производството на предприятието, международната търговия и регулирането на икономиката [1]. Китайските стокови борси също са натрупали богати пазарни данни в много години на работа и развитие.

Изследователите събират, сортират и анализират данните за транзакциите на различни стоки и след това добавят и съставят същите индекси на стоки. Тези индекси могат да определят цялостното състояние на съответните колебания на цените на суровините и тенденцията на развитие на стоковата икономика и да помогнат на държавните функционални институции да разберат крайното състояние на макроикономиката; в същото време съответните предприятия могат също да използват информацията за цените на оризова стока, съдържаща се в индекса на суровините, за да направят собствените си бизнес решения, разумно организират закупеното количество и минимизират ненужните икономически загуби [2, 3].

Търговските дейности заемат все по-важно място в националната икономика. Търговското поведение не само има важен принос за националната икономика по отношение на продукцията, но също така играе важна роля в създаването на пазарни отношения, подобряването на пазарните механизми и решаването на проблема със заетостта [4]. Днес, с високото развитие на информационните технологии, електронната търговия на дребно, като нов модел за продажба на стоки на дребно, се разви бързо. Хората могат да получат информация за хиляди стоки чрез интернет и да се свържат с продавачи на стоки по целия свят за транзакции, без да излизат от домовете си [5].

Появата на електронната търговия значително улесни живота на хората, насърчи потребителския ентусиазъм на хората и увеличи жизнеността на потребителския пазар; развитието на електронната търговия на дребно доведе до просперитета на бизнес пазара. Десетки хиляди стоки на дребно се показват и продават в Интернет, което намалява разходите за продажби на стоки и подобрява ефективността на продажбите. В същото време, тъй като електронната търговия на дребно разчита на Интернет, тя има естествени предимства при придобиването и съхранението на информация и данни. Предприятията получават голямо количество данни чрез информационните технологии. Как да копаете тези данни и да намирате ценни закони, за да ръководите вземането на бизнес решения на предприятията, да подобрите модела на продажби, да формулирате ефективни стратегии за продажби и накрая да получите икономически ползи от електронната търговия. Много предприятия започват да инвестират в посока извличане на търговски данни и разработват свои схеми за извличане на търговски данни.

Проучвателният анализ на данни е важен етап от анализа на данни, който е различен от първоначалния анализ на данни. * Фокусът на предварителния анализ на данните е върху това дали са изпълнени изискванията за идентифициране на статистически модели и хипотези, за да се гарантира надеждността на потвърждаващия анализ [6–8]. В този процес на анализ неквалифицираните данни се попълват с липсващи стойности, преобразуване на данни, отхвърляне на извънредни стойности и друга обработка за подобряване на точността на анализа. Проучвателният анализ на данни включва предварителен анализ на данни, но неговата отправна точка е не само да се определи качеството на данните, но и да се открият модели на разпространение на данни (Патен) и да се предложат нови хипотези от данните. Проучвателният анализ на данни е идентифициран като ключова стъпка в работния поток на науката за данни, който може да повлияе на множество процеси. В работния поток на науката за данни, показан на фигура 1, проучвателният анализ на данни е тясно свързан с други процеси.

Всеки базов модел обучава входните променливи на набора за обучение отделно. * грубо контролирано обучение, всеки базов модел. Установява се тегло за прогнозираната стойност на набора за обучение на всеки базов модел, като се използва претеглена средна стойност и след това установената стойност на теглото се присвоява на прогнозираната стойност на тестовия набор от всеки базов модел [9, 10]. Умножение и отсечка на прогнозната стойност на теглото Getmodel тест набор от прогнозирани стойности. Фигура 2 показва процеса на конструиране и диаграма на модела. От фигурата знаем, че тя включва основно предварителната обработка на данни и резултатите от множество прогнози от множество LSTM модели, а резултатите от прогнозите са интегрирани и подобрени чрез претегляне на множество параметри.

Чрез анализиране на стойността на теглото на всеки базов модел спортни продукти се установява, че базовият модел с по-висока точност на прогнозиране е по-вероятно да получи по-голямо тегло. Фигура 3 е технологичната пътна карта.

2. Свързана работа

Прогнозирането на цените се отнася до прогнозното поведение на динамичния анализ на бъдещи промени в цените според историческата стойност и ценовата тенденция на стоките [11]. * Авторите на [12] са използвали модела на повтаряща се невронна мрежа за прогнозиране на вибрациите на високоскоростния влак от времеви серии и са постигнали добри резултати.

С разработването на прост алгоритъм за времеви редове, приложението на прост анализ на времеви редове постепенно се разширява. Понастоящем простият алгоритъм за анализ на времеви редове е в цените на селскостопанските стоки, прогнозирането на цените на промишлените стоки, прогнозирането на цените на финансовите акции и много други области. Той има широк спектър от приложения, поради това, че се използва по-малко при анализа на информация от данни, в същото време нискоефективната информация анализ на историята, водят до прогнозиране на резултатите, все още не могат да отговорят на нуждите на социалното развитие.

Състояние на изследването на алгоритъма за прогнозиране на цените, базиран на прости времеви редове: според периодичността и сезонността на колебанията на цените на електроенергията, Marcjasz et al. [13, 14] анализираха влиянието на сезонността върху бъдещата промяна на цените на електроенергията и използваха модела на невронни мрежи NARX, за да предскажат цената на електроенергията, което постигна добри резултати. За да получат добри резултати при прогнозиране, авторите на [15] проектираха обезшумяващо агрегиране на графични невронни мрежи чрез използване на анализа на главните компоненти. Wang и др. [16–18] проучиха краткосрочното прогнозиране на цените на електроенергията с подредени автоматични енкодери за премахване на шума, направиха проучване и прилагане на хибридна рамка за прогнозиране и предложиха новия хибриден модел за двуфазова техника на разлагане на индекса на качеството на въздуха и съответно модифицирана машина за екстремно обучение (ELM). Chong и др. [19, 20] проучват мрежите за дълбоко обучение за анализ и прогнозиране на фондовия пазар и извършват съответно емпиричното ценообразуване на активи чрез машинно обучение. Нилаши и др. представи аналитичен подход за анализ на големи социални данни за вземане на решения от клиенти в екологични хотели и тества предложеното решение върху два отворени масива от данни [21]. В допълнение към горните работи, Hoseinzade [22] комбинира модела на ANN и модела на CNN, прогнозира възхода и спада на ShanghaiFutures в известния период и постигна добри резултати при прогнозиране. Инвеститорите могат също така да вземат инвестиционни решения с помощта на Чен и Ге [23] проучиха механизма за внимание в базираното на LSTM прогнозиране на движението на цените на акциите в Хонконг. Fang и др. изследователски количествени инвестиционни стратегии, базирани на дълбоко обучение[24]. Въз основа на горните дискусии, основните приноси на този документ са обобщени, както следва:

(1) Като подобрена структура на модела RNN, моделът LSTM не само наследява характеристиките на модела RNN, подходящ за работа с времеви серии от данни, но също така допълнително решава проблема с дългосрочната зависимост от измерението на времето и подобрява точността на прогнозата. Неговият ефект на прогнозиране превъзхожда невронната мрежа на BP, RNN, CNN, GRU и други модели на невронна мрежа.

(2) Търсенето в мрежа се използва за обучение на модела с различни параметри и кръстосано валидиране на всеки модел, докато се намери оптималната комбинация от стойности, за да се осигури най-добрата производителност на модела.

(3) *e оптимизираният модел се проверява на тестовия набор и средната квадратична грешка се използва като индекс за оценка, за да се предотврати пренастройването на модела. *Резултатите показват, че моделът постига ниска средна квадратична грешка както в набора за обучение, така и в набора за тестване и получава резултати от странично прогнозиране.

3. LSTM мрежа

Невронната мрежа LSTM беше предложена за първи път от Hochreiter et al. (1997) и допълнително разширена след нейната оптимизация и подобрение от Alex Graves. В много практически проблеми, свързани с данни за последователности, LSTM постигна голям успех и се използва широко, като обработка на естествен език (NLP), прогнозиране на времеви серии и т.н.

Традиционната повтаряща се невронна мрежа (RNN) не може да се справи с проблема с дългосрочната последователност, за да се реши този проблем, се предлага невронната мрежа LSTM чрез добавяне на структура "gate" за контрол на състоянието на клетката и изхода в различно време, за да облекчи проблема с изчезване на градиента. Структурата на "портата" на LSTM включва три типа: "порта за забравяне", "входна врата" и "изходна врата". Функцията на "портата за забравяне" е да преценява информацията, предадена от предишното време към текущото време, и избирателно да "забравя" част от информацията, както е показано на Фигура 4. Освен това се предлага ортогонална инициализация, за да се избегне изчезването на градиента или експлозията в началния етап на обучение , функцията за активиране ReLU (Recti'ed Linear Unit) може да облекчи изчезването на градиента, срязването на градиента може да разреши експлозията на градиента, а модулът LSTM може да контролира изчезването на градиента.

LSTM е успешно приложен в машинен превод, генериране на разговори и други полета, показвайки отлична способност за моделиране на последователни данни. Следователно, този документ изгражда цена на дребно на модел за прогнозиране на спортни стоки, базиран на мрежовия модул LSTM, и може да използва пълноценно неговата характеристика, че всяка последователност на дължина може да се използва като вход и да се прилага за онлайн разпознаване на данни. LSTM решава проблема, че RNN не може да се справи с дълговременната зависимост чрез въвеждане [25].

Нека броят на входните неврони в целия скрит слой е G, G включва всички единици и порти и използвайте индекс G, за да представите тези входни неврони. Предвиждащото изчисление на LSTM е да се изчисли входна последователност X с дължина от време d, чиято начална точка е t 1 [26, 27]. Когато стойността на времевата точка T нараства непрекъснато, уравнението ще се актуализира рекурсивно до t t. Подобно на изчислението напред, обратното изчисление е входна последователност X с времева дължина T, но началната точка на обратното изчисление е T T. Когато стойността на T намалява непрекъснато, реципрочната стойност на единицата се изчислява рекурсивно до 1 1. Според производните във всяка времева точка по-горе можем да получим крайната стойност на производната на теглото.

където Wf и bf представляват съответно теглото и отклонението на вратата за забравяне, докато σ представлява сигмоидната функция.

4. Обработка на данни и Explora

on*Основната иновационна точка на този документ е да подобри конвенционалния модел LSTM и да го приложи за прогнозиране на цените на дребно на спортни продукти, така че ние го сравняваме главно с конвенционалния модел LSTM. Второ, тъй като реалните набори от данни са ценни и трудни за получаване, тази статия използва само един набор от данни за симулационния експеримент. Тъй като качеството на данните влияе върху обучението на избрания модел, събирането, анализът и обработката на данните са ключовите етапи преди обучението на модела. * Данните в този документ включват главно две части: обект на изследване и характерни данни.

Общата прогнозна цена на стоките се фокусира върху цената на спортните стоки. Използвайте Python, за да извършите описателен статистически анализ на различни спортни стоки и да начертаете техните ценови диаграми на затваряне [31, 32], както е показано на Фигура 5. *e-разпределението е изкривено надясно, пиковете са по-малки от 3, формата на опашката е тънка, и не се подчинява на нормалното разпределение.

n.4.1. Намаляване на шума при данни. Тъй като динамиката на пазара е много сложна, тези данни съдържат редки шумове, така че библиотеката в Python се използва за вълнова трансформация за премахване на шумове от данни [33]. Струва си да се отбележи, че в тази статия се използва конвенционалният модел за промяна на вълната. Той наследява и развива идеята за локализация на преобразуване на Фурие за кратко време и преодолява недостатъците на размера на прозореца, който не се променя с честота. Той може да осигури смяна на прозореца "време-честота" с честота, което е идеален инструмент за време-честотен анализ и обработка на сигнали. *Следователно, той е особено подходящ за премахване на шум във финансови данни. Фигури 6 и 7 са сравнения преди и след вълнова трансформация.

n. След като обучението на невронната мрежа LSTM е завършено, резултатите от прогнозата и съответните стойности на MSE на Модел 1 и Модел 2 са дадени съответно, както е показано на Фигура 8, а резултатите от прогнозата на Модел 1 и Модел 2 са показани на Фигура 9.

9.*Основната идея на моделното обучение е да се напасне набор от система от правила към набора от данни за обучение, за да се разкрият правилата в данните. С други думи, напасването описва колко добре или колко добре моделът може да бъде обобщен към данните в набора от тестове Добрият модел води до добро представяне на модела и може да бъде валидиран с нови данни извън набора от данни за обучение, т.е. данни извън извадката. В допълнение към параметрите, които могат да бъдат научени, различните модели изискват различни хиперпараметри, които са параметри, които не трябва да се обучават.

Параметрите са критични за модела и зависят от данните за обучение. Като част от процеса на обучение, моделът LSTM е допълнително коригиран и оптимизиран, за да се получи по-добър прогнозен ефект чрез научаване на параметри от данни за обучение чрез техники за оптимизация [34–37].

Процесът на икономическо изследване обикновено се състои в обяснение на икономически явления чрез конструиране на икономически модели. Когато общоприетите икономически явления са потвърдени от учените, те трябва да бъдат изброени под формата на типични факти. В последващото изследване, ако решението на модела в общото състояние на равновесие е в съответствие с типичните факти, това може да обясни, че моделът е по-разумен до голяма степен. При изследването на „финансовите проблеми“, особено при изследването на „сериите на финансовата възвращаемост във времето, често могат да се наблюдават някои общи статистически характеристики. Според типичните факти на учените за едномерните серии на възвръщаемост, те се обобщават, както следва: те често показват автокорелация; Често показва дълга памет; e бавно намаляване на автокорелацията на абсолютната възвръщаемост; пиково дебело разпределение на опашката; формата на разпределението се променя с времето; ефект на агрегиране на вълни; след коригиране на агрегирането Žactuation, все още има условна дебела опашка e‡ и т.н. При предположението за независими и идентично разпределени, ефективността на „тествания“ модел на финансовите времеви редове често не е оптимална, така че характеристиките на разпределението на данните трябва да се вземат предвид при моделиране на серията доходи. Когато моделът на невронната мрежа се използва за моделиране на данните, допускането за разпределение не е необходимо да се взема предвид. защото моделът на невронната мрежа може да обобщи структурата на входните данни, така че нелинейните характеристики на „финансовите данни да могат да бъдат уловени от невронната мрежа“.

Търсенето в решетка е метод за систематично обучение на модел, като се използват различни комбинации от стойности на хиперпараметри за обучение на модела, кръстосано валидиране на всеки модел, докато се намери оптималната комбинация от стойности, за да се осигури най-доброто представяне на модела. Чрез непрекъснато тестване на параметрите на всички комбинации, група за "и най-подходящата комбинация от параметри на супер конфигурация ще бъде дискретизация, супер параметри според техните характеристики за избор на няколко стойности на опит и след това според различни комбинации от модела на обучение, за избор на оптимална комбинация от конфигурация, обстоятелствата на по-малко подходящи за супер параметри. Случайното търсене е произволно комбиниране на хиперпараметри и след това избиране на оптималната конфигурация. То не прави ненужни опити за маловажни параметри, тъй като точно както коефициентите на регулиране имат ограничено въздействие върху производителността на модела, скоростите на обучение имат по-голямо влияние върху производителността на модела, така че не се правят ненужни опити. Случайните търсения обикновено са по-ефективни и по-лесни за изпълнение от търсенията в мрежата. Тези два метода обаче не отчитат дали има корелация между хиперпараметрите, така че са относително неефективни. Байесовото оптимизиране е адаптивен метод за оптимизиране на хиперпараметри, който предвижда следващата възможна комбинация от хиперпараметри въз основа на тестваната комбинация от хиперпараметри, за да се получи максимална полезност. Тъй като функцията на кумулативното разпределение на разпределението на Гаус е функция от s-тип, функцията GELU може да бъде апроксимирана чрез функцията tanh или логистичната функция, както е показано на фигура 10.

Най-простата стратегия е да се развива скорост на учене през целия процес на обучение. Избирането на по-малка скорост на обучение позволява на оптимизатора да намери добро решение, но е лесно да се ограничи скоростта на конвергенция. Връзката между двете може да бъде балансирана, като отделите време за промяна на скоростта на обучение. Фигура 11 показва скоростта на обучение за всеки период.

След многократни корекции и оптимизации резултатите от прогнозата преди и след подобрение са показани съответно на фигури 12 и 13. Структурата на окончателния модел и получените параметри са както следва: последователната дължина на тестовия прозорец е 55, а последователният модел се състои от три LSTM слоя, като броят на невроните във всеки слой е 100, 100 и 150, съответно. За да се избегне прекомерното напасване, се добавят два слоя Dropout със слой Dropout от 0,2, а измерението на входните данни е 5. Плътният слой беше добавен, за да агрегира размерите си в 1, функцията за активиране беше линейна, а функцията за загуба беше зададена като средна Квадратна грешка (MSE). Адам беше използван като алгоритъм за оптимизация, а две епохи бяха използвани като модел. Всяка партида е с размер 32 бр.

Конвенционалният модел за прогнозиране на цените също е модел на задълбочено обучение. Първо, конструира се конвенционален модел за прогнозиране на цената; моделът съдържа само пазарни данни и „финансови данни“. Предишни пазарни данни и финансови данни се използват за обучение на модела за задълбочено обучение, за да може обученият модел за задълбочено обучение да прогнозира бъдещия пазар; грубата технология за обработка на естествения език, извличането на емоционална информация и емоционалната оценка се извършват върху данни за общественото мнение. Комбиниран с конвенционалния модел за прогнозиране на цените, моделът за задълбочено обучение се обучава чрез използване на пазарни данни, „финансови данни, изследователски доклади и данни за емоционалните тенденции на „финансови новини, и моделът се използва за прогнозиране на бъдещия пазар. en, прогнозният ефект на конвенционалния модел за прогнозиране на цената на ценните книжа се сравнява с този на модела на задълбочено обучение, базиран на резултатите от обработката на естествения език на данните за общественото мнение.

След определяне на броя на входните възли, изходните възли и възлите на скрития слой на двата модела LSTMnetwork, моделът на дълбоко обучение може да бъде обучен. След много експерименти се установява, че времената за обучение са твърде малко и грешката на обучение на модела е твърде голяма, така че е необходимо непрекъснато да се увеличават времената за обучение, но с увеличаване на времената за обучение; грешката при обучението на модела постепенно клони към стабилна стойност. Ако времето за обучение на модела се увеличи много по това време, моделът e‡ и т.н. не се подобрява много. Това е резултат от обучението на "модела за почивка" на C. Когато времето за обучение е по-малко от 200, грешката на модела е голяма. По това време увеличаването на времето за обучение бързо ще намали грешката при обучението на модела; Когато времето за обучение е повече от 200 пъти и по-малко от 1000 пъти, грешката на модела е малка. По това време, когато времето за обучение се увеличава, степента на намаляване на грешката при обучение на модела показва намаляващ закон; Когато тренирате 1000 до 2000 пъти, грешката на модела се променя в малка област и ефектът от увеличаване на броя на тренировките постепенно не е очевиден. груби много тестове и сравнения е установено, че когато броят на времената за обучение на модела е около 2000 пъти, той може да отговори на изискванията за точност на обучението. Ако броят на времената за обучение се увеличи, ефектът от подобряването на грешката на обучението на модела е малък, освен това отнема много време, за да се обучи моделът на компютъра, така че е от малко значение да се увеличат твърде много времена за обучение. Следователно, ние определяме времето за обучение на модела на задълбочено обучение в това проучване на 2000 пъти. В по-късния модел ние също проверяваме дали отговаря на този закон. Следователно, вторият модел на задълбочено обучение с информация за общественото мнение също определя времето за обучение на 2000 пъти.

5. Заключение

(1) Тази статия прилага теорията за задълбочено обучение, базирана на характеристиките на „данните от финансовите времеви редове, използва модела на невронната мрежа LSTM за прогнозиране на индекса на цените на спортните стоки и сравнява своите прогнозни резултати с прогнозните резултати, използвайки мрежовия модел. Експерименталните резултати показват, че моделът на невронната мрежа LSTM има най-добра производителност в тестовата група.

(2) Създава се модел за прогнозиране. Въз основа на инженеринг на съпоставени характеристики на данни е установен модел за прогнозиране на невронна мрежа, базиран на дългосрочна и краткосрочна памет, и моделът е обучен с тренировъчен набор за прогнозиране на цената на спортни стоки. Условията за оптимизиране на модела, броя на невроните на скрития слой, скоростта на обучение, размера на партидата и колелото за обучение бяха коригирани, за да се постигнат най-добрите резултати от обучението.

(3) В този модел за прогнозиране на тенденциите в цените на спортните стоки различните данни за спортните цени ще имат различно влияние върху ефекта на прогнозиране, така че изборът на набора от данни също е много важен.

Въпреки че моделът, предложен в тази статия, постига добри резултати при прогнозиране, моделът не отчита корелацията на времето на данните. Някои инструменти за плъзгащ се времеви прозорец могат да се използват в бъдещи проучвания за подобряване на размера на стъпката на прогнозиране и точността на прогнозиране на модела.

Наличност на данни

Данните, използвани в подкрепа на констатациите от това проучване, са достъпни от автора при поискване.

Конфликт на интереси

Theавторът декларира, че няма конфликт на интереси.

Препратки

[1] J. Wang, R. Hou и C. Wang, „Подобрен модел на опорна векторна регресия, базиран на избор на променливи и оптимизиране на мозъчна атака за прогнозиране на цените на акциите,“ Applied Soft Computing, vol. 49, бр. 2, стр. 164–178, 2016 г.

[2] M. Dixon, D. Klabjan и J. Hoon Bang, „Базирано на C1 класификация прогнозиране на финансовите пазари с помощта на дълбоки невронни мрежи“, Algorithmic Finance, vol. 6, бр. 3-4, стр. 67–77, 2017 г.

[3] K. Chen, Y. Zhou и FY Dai, „Метод, базиран на LSTM за прогнозиране на възвръщаемостта на акциите: казус от китайския фондов пазар,“ в Сборника на Международната конференция на IEEE за големи данни през 2015 г., том. 123, бр. 12, стр. 2823-2824, Санта Клара, Калифорния, САЩ, 2015 г.

[4] AE Clements и N. Todorova, „Информационни потоци, търговска активност и волатилност на фючърсите на стоки“, Journal of FuturesMarkets, vol. 36, бр. 1, стр. 88–104, 2016.

[5] L. Xuewei и L. Xueyan, „Големи данни и техните ключови технологии в бъдещето“, Computing in Science & Engineering, vol. 20, бр. 4,стр. 75–88, 2018 г.

[6] AI Sarwat, M. Amini, A. Domijan, A. Damnjanovic и F. Kaleem, „Предвиждане на прекъсване, базирано на времето в интелигентната мрежа, използвайки хронологични данни“, Journal of ModernPower Systems and Clean Energy, vol. 4, бр. 2, стр. 308–315,2016.

[7] X. Zhang, J. Wang и Y. Gao, „Хибридна краткосрочна рамка за прогнозиране на цените на електроенергията: селекция на функции, базирана на кукувичко търсене с единичен спектрален анализ и SVM,“ Енергийна икономика, том. 81, бр. 6, стр. 16–23, 2019 г.

[8] G. Osorio, M. Lotfi, VMA Campos и M. Khan, „Хибриден модел за прогнозиране на краткосрочните пазарни цени на електроенергия с интеграция на възобновяеми източници“, Sustainability, vol. 11, бр. 1,стр. 1–15, 2018 г.

[9] A. Bello, DW Bunn и J. Reneses, „Средносрочно вероятностно прогнозиране на цените на електроенергията: хибриден подход“, IEEE Transactions on Power Systems, vol. 16, бр. 2,стр. 1–6, 2016 г.

[10] A. Bello, J. Reneses, A. Muñoz и A. Delgadillo, „Вероятностно прогнозиране на почасовите цени на електроенергията в средносрочен план с помощта на техники за пространствена интерполация“, InternationalJournal of Forecasting, vol. 32, бр. 3, стр. 966–980, 2016.

[11] P. Kou, D. Liang, L. Gao и J. Lou, „Вероятностно прогнозиране на цената на електроенергията с вариационен хетероскедастичен Gaussianprocess и активно обучение,“ Преобразуване и управление на енергия, том. 89, стр. 298–308, 2015 г.

For more information:1950477648nn@gmail.com