.png){kind=icon}
返回
Forecasting Volatility Using Hybrid Machine Learning Method: Sequencing Block, Multi-layer Perceptron, and Bayesian Optimization
.png){kind=icon}
PRE
AI
DOI：10.1007/s10614-025-11243-1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
金融市场以其内在的复杂性、非线性和随机行为为特征。传统的计量经济学模型，包括广义自回归条件异方差和自回归积分滑动平均方法，往往难以捕捉金融时间序列中存在的动态模式。同样，决策树、随机森林和支持向量机等传统机器学习技术，在泛化能力和适应市场变化方面存在局限性。本研究引入了一种新颖的混合预测框架，该框架整合了序列机制、多层深度前馈神经网络和贝叶斯优化策略，以提升预测性能和模型稳健性。所提出的方法采用贝叶斯优化来系统性地微调时序特征提取参数和神经网络的超参数，确保自适应且全面的建模配置。当应用于标普500指数数据并设定短期预测时间范围时，该混合模型与传统的机器学习基准相比，展现出预测精度和模型拟合度的显著提升。此外，该模型还能有效缓解过拟合问题，且相比更复杂的深度学习架构（如循环神经网络和生成对抗模型），具有更高的计算效率。
Keyword:
Volatility
S&P 500
Machine learning
Neural network
Multilayer perceptron
Bayesian optimization
期刊
C
IF:
2.2
论文数:
270
被引数:
2.3K
机构
引用论文
.png){kind=icon}
Forecasting Bitcoin prices using artificial intelligence: Combination of ML, SARIMA, and Facebook Prophet models使用人工智能预测比特币价格: ML，SARIMA和Facebook先知模型的组合
PREAI
分享收藏
查看更多内容