摘要
针对互联网金融指数高精度预测中数据量不足的问题,提出了基于迁移学习的LSTM方法。提出构建LSTM与全连接网络的组合模型,利用数据量充足的标准普尔500或沪深300指数对构建的网络进行预训练,得到较高精度的预训练模型;利用数据量有限的互联网金融指数对预训练模型进行迁移训练,提高模型对互联网金融指数预测的准确性。实证结果表明:(1)构建的组合模型能准确预测金融指数,MAPE值降低3.7%以上;(2)迁移学习能提升互联网金融指数预测的准确性,MAPE值降低0.5%左右;(3)与标准普尔500指数相比,沪深300指数与互联网金融指数相关性更强,迁移学习效果更优。本文提出方法解决了训练数据不足导致互联网金融指数预测准确度低的问题,可用于新型金融指数的高精度预测。
出处
《西南民族大学学报（人文社会科学版）》
CSSCI
北大核心
2020年第7期129-134,共6页
Journal of Southwest Minzu University(Humanities and Social Sciences Edition)
基金
国家社会科学基金重点项目“互联网消费金融的发展、风险与监管”(16AZD014)阶段性成果。
