姚洪刚，沐年国

上海理工大学 管理学院，上海200093

金融市场的预测一直是受到广泛关注的问题，无论是决策者还是投资者，都期望能够把握金融市场的动向寻求利益最大化。然而，金融时间序列由于市场行为机制的复杂性而具有高噪声以及非平稳非线性的特点，这些都为金融时间序列的预测增加了难度。

传统的时间序列分析模型受限于固定的模型框架以及较为严格的假设条件，往往不能对复杂的金融时间序列数据做出准确的预测。而基于深度学习的时间序列分析方法更注重对于数据本身的驱动，通过使用激活函数能够处理非线性的问题，因此可以更好地应对“非理想化”的时间序列数据，得到更为准确的预测结果。近年来，一些机器学习方法诸如支持向量机[1-2]以及人工神经网络[3-4]被应用于分析时间序列，并取得了不错的效果。随着深度学习的发展，一类专门用来处理序列的循环神经网络及其变种LSTM模型被提出[5]，LSTM在多个领域中取得巨大成功[6-8]，并开始成为从深度学习角度处理金融时间序列的主要方法[9-10]。

基于深度学习衍生出多种预测金融时间序列的改进方案，从金融序列高噪声这一角度而产生的一类做法是通过对序列去噪[11-12]或平滑处理[13]以降低金融时间序列的噪声或波动性，从而提升深度学习方法的预测性能。但是这类做法均是一次性将所有序列进行平滑或小波去噪，然后再将其划分训练集和测试集输入模型，这就造成了训练过程中使用到测试集的信息，因此使用滑动窗口的多步处理代替一次处理更符合实际情况。……