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)格漲跌的二分類問題進(jìn)行預(yù)測(cè)，并通過系統(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)域帶來了前所未有的變革。（剩余6166字）