时序深度学习模型在加密货币价格趋势预测上的实证研究

摘要

随着区块链技术的不断发展和比特币价格的迅猛上涨，加密货币开始逐渐进入人们的视野。目前市面上的加密货币种类达到了数千种。加密货币的特殊属性使得它既能用来投资和投机，也可以用来进行支付交易，并且其价格波动也与法定货币和传统金融产品有很大差异。因此，预测加密货币的价格趋势成了大家关注和研究的热点。传统上投资者会采用统计学的分析方法或者简单的机器学习的方法进行价格预测。然而由于加密货币的价格具有非线性、高噪声的特点，因此这些方法存在着较大局限性，效果不够理想。　　近年来人工神经网络因为具有强大的自学能力和非线性建模能力，在自然语言处理、自动驾驶、计算机视觉等方面都有着很好的表现。目前越来越多的人考虑用人工神经网络对价格趋势进行预测，其中，长短时记忆网络（LSTM）作为循环神经网络当中的一员，凭借着强大的序列建模能力受到了大家的关注。而时间卷积网络（TCN）是最近才被提出一种新型的卷积神经网络，它凭借着特殊的结构在多项序列任务当中都打败了循环神经网络。此外，堆栈降噪自编码作为一种无监督学习的模型，在进行深度特征提取的方面具有很强的优势。本文基于堆栈降噪自编码的特征提取的能力和时间卷积网络优秀的时序数据处理能力进行建模，对加密货币价格预测进行了方法上的创新。本文的主要研究工作如下：　　1.考虑到加密货币价格的相关因素，本文选取了开盘价、收盘价、最高价、最低价、成交量和其他技术指标一共15个特征，建立了加密货币价格预测的指标体系。　　2.在无监督的学习阶段，为了获得加密货币价格具有概括性的深度特征，本文建立了堆栈降噪自编码器的无监督学习模型。　　3.在有监督的预测阶段，本文引入了时间卷积网络，并对时间卷积网络的参数进行调整以提高预测效果。最终提出了基于堆栈降噪自编码的时间卷积网络模型（SDAE-TCN），并且选择了比特币和以太币的价格数据作为研究对象，构建了LSTM、GRU、TCN、SDAE-LSTM等模型与本文所提出的模型进行比较。实证结果表明，堆栈降噪自编码器能够有效提升模型精度，本文提出的SDAE-TCN相比其他模型能够取得最优预测效果。　　4.为了提高模型的预测能力，本文将所提出的模型与注意力机制相结合。实证结果表明，注意力机制通过对网络输出的数据进行权重分配，能够有效提升模型预测精确度。

目录

1.绪 论

1.1研究背景与意义

1.2研究内容

1.3研究的创新点和不足

1.3.1研究创新点

1.3.2研究不足

2.文献综述

2.1传统金融产品价格预测研究现状

2.1.1传统计量模型

2.1.2神经网络模型

2.2加密货币价格预测研究现状

2.3相关神经网络模型研究现状

2.3.1循环神经网络研究现状

2.3.2卷积神经网络研究现状

2.4本章小结

3.相关理论知识

3.1加密货币预测理论与方法

3.1.1加密货币预测难点

3.1.2加密货币指标

3.1.3加密货币价格预测方法

3.2神经网络理论基础

3.2.1卷积神经网络

3.2.2循环神经网络

3.2.3自编码网络

3.3本章小结

4.基于TCN的深度学习模型设计

4.1模型框架

4.2预测流程介绍

4.3特征选取

4.4优化方法选择

4.5模型评价指标

4.6本章小结

5.实证分析

5.1数据准备

5.2预测方案设计

5.3SDAE结构设计和参数选择

5.4TCN结构设计和参数选择

（一）滤波器数目选择

（二）卷积核尺寸选择

5.5实证结果与分析

5.5.1SDAE-TCN模型价格预测实证分析

5.5.2几种预测方法的对比分析

5.5.3对时间步长t的讨论

5.6模型改进

5.7本章小结

6.总结与展望

6.1总结

6.2展望

参考文献

致谢

在读期间科研成果目录