一种通过乌鸦搜索算法训练的强大Sigma-π神经网络，用于在存在异常值污染的情况下进行金融时间序列预测

《Expert Systems with Applications》：A robust Sigma–pi neural network trained by crow search algorithm for financial time series forecasting under outlier contamination

　　

Erol Egrioglu|Eren Bas|Seyda Demirel Tatl?

摘要

在金融市场中，时间序列预测尤其具有挑战性，因为存在非线性动态、高波动性以及异常值频繁出现的情况。传统的人工神经网络和深度学习模型在数据受到极端观测值污染时，往往会出现严重的性能下降。为了解决这一挑战，本研究提出了一种专为在异常值污染环境下进行预测而设计的鲁棒Sigma–Pi人工神经网络。该框架结合了Sigma–Pi架构的非线性交互能力与鲁棒的学习和优化策略。采用基于中位数绝对偏差的归一化方法来减少极端值的影响，同时使用鲁棒的Huber M-估计器来评估模型性能，从而提高模型对目标值中异常值的抵抗能力。为了实现有效的全局参数学习并避免局部最小值，采用了crow搜索算法作为网络参数的优化机制。使用Sigmoid激活函数以确保学习的稳定性和网络输出的有界性。为了系统地评估鲁棒性，通过在被选中的序列早期、中期和后期位置添加等于最大观测值十倍的值来人为引入异常值，从而对模型的抗极端冲击能力进行可控的压力测试。所提出的方法使用2022-2024年期间的TNX和USD/JPY时间序列进行了评估，涵盖了原始数据和受异常值污染的数据场景。将所提出方法的性能与包括许多浅层和深层神经网络在内的综合基准模型进行了比较。预测准确性通过均方根误差和平均绝对百分比误差标准进行评估。实验结果表明，与传统和基于深度学习的预测模型相比，所提出的方法在存在极端异常值的情况下表现出更强的鲁棒性，误差下降更明显，方差也更小。