基于循环神经网络模型的金融资产预测对比分析:优化器与代价函数的选择

《Array》:A Comparative Analysis of RNN-Based Models for Financial Asset Prediction: Selection of Optimizers and Cost Functions

【字体: 大 中 小 】 时间:2026年05月07日 来源:Array 4.5

编辑推荐:

  由于金融市场的非线性和波动性特征,资产价格预测始终是极具挑战性的课题。研究人员针对五种代表性金融资产——比特币(Bitcoin)、原油(Crude oil)、黄金(Gold)、谷歌股票(Google stock)和标准普尔500指数(S&P 500),

  
由于金融市场的非线性和波动性特征,资产价格预测始终是极具挑战性的课题。研究人员针对五种代表性金融资产——比特币(Bitcoin)、原油(Crude oil)、黄金(Gold)、谷歌股票(Google stock)和标准普尔500指数(S&P 500),采用2021年至2023年的日频数据,评估了长短期记忆网络(LSTM)与门控循环单元(GRU)两种循环神经网络架构的预测性能。模型训练过程中分别采用了Adam和RMSprop两种优化算法,并在均方误差(Mean Squared Error, MSE)和平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)两种损失函数设定下进行测试。研究结果表明,预测性能因资产类型及评估指标的不同而呈现显著差异。对于波动性处于中等水平的资产,采用Adam优化器的GRU模型表现优异;而对于价格走势相对平滑的资产,结合RMSprop优化器与MSE损失函数的GRU模型则更为有效。相比之下,所有模型在捕捉比特币等高波动性市场中的极端价格波动时均面临较大困难。该发现表明,基于RNN模型的预测有效性取决于资产特性、波动机制以及训练配置的具体组合,凸显了依据特定市场环境定制模型选择策略的重要性。
研究背景与意义
金融市场预测因资产价格的非线性与高波动性而极具挑战。传统计量模型依赖线性假设,难以捕捉复杂动态;早期机器学习模型在处理长时序依赖时存在局限。尽管深度学习在金融预测中应用广泛,但现有研究多局限于单一资产,且对优化器(Optimizer)与代价函数(Cost Function)在不同波动环境下的系统性比较不足。为此,来自伊朗马什哈德菲尔多西大学经济学院的研究人员Hadi Esmaeilpour Moghadam与Arezou Karami开展了此项研究,旨在填补这一空白。该研究通过对比分析LSTM与GRU在多种市场环境下的表现,为模型配置提供实证依据。该研究成果已发表于《Array》。
主要关键技术方法
研究人员选取了五种具有代表性的金融资产,包括比特币、原油、黄金、谷歌股票及标准普尔500指数,数据来源于Investing.com,时间跨度为2021年6月16日至2023年10月8日的日收盘价。在数据预处理阶段,采用最小-最大缩放(Min-Max Scaling)将序列归一化至0-1区间,并按80%与20%的比例划分训练集与测试集。研究构建了LSTM与GRU两种基准模型,并系统配置了Adam与RMSprop两种优化器,以及MSE与MAPE两种损失函数。实验重复执行五次以确保结果的可靠性,并通过网格搜索确定批量大小为120为最优超参数。评估体系综合采用平均绝对百分比误差(MAPE)、均方误差(MSE)、均方根误差(RMSE)及平均绝对误差(MAE)四项指标,全面衡量预测精度。
研究结果
4.1 可视化与定量评估结果
4.1.1 谷歌股价预测
结果显示,采用Adam优化器与MAPE损失的GRU模型与真实价格拟合度最高,表现出极强的鲁棒性。而采用Adam与MSE的LSTM模型虽能捕捉整体动态,但在快速波动期存在轻微滞后与过冲现象。相比之下,采用RMSprop优化器的GRU模型在剧烈变动期间偏差较大,稳定性较差。
4.1.2 黄金价格预测
LSTM结合Adam与MSE的配置展现了最佳的预测精度,能有效捕捉价格的细微波动。GRU结合Adam与MSE次之,但在突变点精度稍逊。GRU结合RMSprop与MSE的配置表现最差,存在明显的欠拟合现象,尤其在波动剧烈时期偏差显著。
4.1.3 原油价格预测
GRU结合Adam与MAPE的组合表现最佳,能够精准追踪短期波动与整体趋势。LSTM结合Adam与MSE同样表现准确,但在突发变化中存在轻微滞后。RMSprop优化器在该资产上的表现依然弱于Adam。
4.1.4 标准普尔500指数预测
所有模型配置在该指数上均表现不佳。无论是GRU还是LSTM,结合Adam或RMSprop,其预测值均显著低于实际值,无法适应市场的主要涨跌趋势。这表明标准普尔500指数的复杂模式需要更深层的网络结构或混合模型才能有效捕捉。
4.1.5 比特币价格预测
所有模型在比特币这一高波动资产上均遭遇挑战。GRU结合Adam与MAPE严重偏离趋势;LSTM结合Adam与MSE输出过于平滑,丢失了尖峰特征;GRU结合Adam与MSE虽能追踪方向,但无法捕捉极端变化。相对而言,GRU结合RMSprop与MSE在追踪趋势方面表现略好,但仍低估了波幅。
讨论与结论
统计检验(F-statistics)证实,不同模型配置间的性能差异在1%水平上显著。研究表明,模型效能高度依赖于资产特性。对于谷歌、黄金等走势平滑或中等波动的资产,采用RMSprop优化器与MSE损失函数的GRU模型表现最优,其自适应学习率机制有助于稳定收敛。对于比特币和原油等高波动资产,所有模型均面临极限挑战,RMSprop在处理此类极端波动时甚至表现退步,凸显了单纯RNN架构在捕捉极端尾部风险时的局限性。虽然Adam优化器在大多数场景下稳健,但在平稳市场中可能因更新幅度过大导致方差增加。研究人员指出,平均绝对百分比误差(MAPE)在高波动环境下会放大误差,建议在此类场景下优先使用RMSE或MAE进行评估。总体而言,GRU在捕捉时序依赖性上优于LSTM,但目前尚无单一模型能完美预测所有资产。未来的研究应引入滚动窗口验证法(Walk-forward Validation),纳入成交量与技术指标构建多变量框架,并探索结合注意力机制(Attention Mechanism)的混合模型,以提升对极端市场动态的预测能力。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号