黄子意 朱宁

摘要：本文总结了传统金融时序分析中存在的问题，并结合基于多层神经网络的深度学习技术的特点，提出深度学习技术在金融时序分析中的可行性以及实施路径。

关键词：金融时序分析;深度学习

1 引言

随着深度学习技术在各行各业中的应用变得越来越普遍，深度学习技术在金融时序分析中的应用也得到了越来越多的关注。

2 传统的金融时序分析理论

金融时序分析是利用统计学的方法对某个时间序列的变量（如股票收盘价格、投资品收益率等）的过去数据进行分析，并在此基础上对该变量在未来的某个时间段的变化进行判断和预测。

传统的金融时序分析是基于时间序列特征分析的基础上进行的。通常一个金融时间序列可能包含四个特征：趋势、季节性、序列相关性（也称自相关性）和随机噪声。其中，由于时间序列的不确定性，随机噪声是总是存在的，因此金融时序分析就是要找到序列中排除随机噪声干扰后的潜在的趋势、季节性和序列相关性，并以此为序列建模，对未来的发展进行预测。

金融时序分析假设序列弱平稳，对过去的数据特征进行挖掘，从而建立线性预测模型（如AR，MA，ARMA等），或者建立更复杂的非线性预测模型（如ARCH或者GARCH等）。

3 傳统金融时序分析存在的问题

传统的金融时序分析存在以下的问题：

1）提供分析支撑的数据来源单一

传统的计容时序分析一个基本特征就是基于对序列过去的数据特征分析来预测序列的发展趋势。……