初探深度學(xué)習(xí)模型在國(guó)債ETF中的預(yù)測(cè)應(yīng)用
——基于CNN-LSTM-Attention混合架構(gòu)

打開(kāi)文本圖片集
摘要:本研究運(yùn)用多源數(shù)據(jù),借助CNN-LSTM-Attention的混合模型,對(duì)國(guó)債ETF價(jià)格漲跌的二分類問(wèn)題進(jìn)行預(yù)測(cè),并通過(guò)系統(tǒng)的數(shù)據(jù)處理與特征工程,深入比較該混合模型與其他主流神經(jīng)網(wǎng)絡(luò)模型的性能表現(xiàn)。研究表明,混合模型在國(guó)債ETF預(yù)測(cè)精度方面有一定的優(yōu)勢(shì),為后續(xù)AI賦能債券投資提供了參考依據(jù)。
關(guān)鍵詞:國(guó)債ETF 深度學(xué)習(xí) 多源數(shù)據(jù) 模型對(duì)比
引言
在金融科技蓬勃發(fā)展的浪潮中,以深度求索(DeepSeek)、ChatGPT為代表的大語(yǔ)言模型正迅速滲透到金融市場(chǎng)的各個(gè)角落,給傳統(tǒng)的金融證券投資領(lǐng)域帶來(lái)了前所未有的變革。(剩余6166字)