加载中...
本文提出一种将GWO调参的LSTM与神经网络标定的Lévy–Merton跳扩散(及分数Heston)模型整合的混合框架,用于资产价格多步预测,采用Brent、STOXX600与IT40三组实证数据,比较了NN、MPA与TorchSDE三种标定方法,结果显示NN标定的LSTM–Lévy在MSE与R2上优于基线LSTM及其他方法,且计算效率更高 .
| 方法 | 说明 | 典型运行时间 (s, 数据集) |
|---|---|---|
| NN (深度前馈) | 梯度下降(Adam) 对参数空间直接回传,损失为市场价与模型价MSE | Brent:240, STOXX:282, IT40:401 |
| TorchSDE | PyTorch SDE 求解与可微分优化,适合神经SDE | Brent:3158, STOXX:1849, IT40:1621 |
| MPA | 海洋捕食者启发的全局优化,适用于非凸连续问题 | Brent:2273, STOXX:3200, IT40:2771 |
| 模型 | 标定方法 | MAE | MSE | RMSE | MSPE | R2 |
|---|---|---|---|---|---|---|
| LSTM–Lévy | NN | 0.0004500 | 0.0000045 | 0.0021213 | 0.0000152 | 0.996976 |
| LSTM–Lévy | TorchSDE | 0.0148499 | 0.0003764 | 0.0194036 | 0.0013148 | 0.7470060 |
| LSTM–Lévy | MPA | 0.0050499 | 0.0000584 | 0.0076485 | 0.0002133 | 0.9606901 |
| LSTM (baseline) | — | 0.0021000 | 0.0000210 | 0.0045825 | 0.0000746 | 0.9858887 |
| 数据集 | MAE | MSE | RMSE | MSPE | R2 |
|---|---|---|---|---|---|
| Brent | 0.0009000 | 0.0000090 | 0.003000 | 0.0000316 | 0.9939523 |
| STOXX600 | 0.0007000 | 0.0000070 | 0.0026457 | 0.0005189 | 0.9818162 |
| IT40 | 0.0007499 | 0.0000074 | 0.002738 | 0.0000651 | 0.997859 |
元数据与概览(引言与报告概览)
逐节深度解读
图表深度解读(逐图、逐表)
图:框架示意(Figure 1,page 3)
图:模拟示例(Figure 2,page 5)
表格与性能(Brent 数据集,Tables 1–2,Figures 3;page 10–11)
STOXX 600(Tables 3–4,Figure 4;page 12–13)
IT40(Tables 5–6,Figure 5;page 14–15)
LSTM‑Fractional‑Heston(Table 7–8,Figure 6;page 16)
估值/预测分析(若适用)
风险因素评估(作者识别的局限与风险,Section 6)
批判性视角与细微差别(基于报告内容的谨慎评估)
结论性综合(综合要点与建议)
附录:主要图像复现(文中关键图)
總結性評價(結論性的單句)
2512.07860.pdf