×
杨鲁迅;高婷;陆，玉斌;段金桥;刘涛

神经网络随机微分方程模型及其在金融数据预测中的应用。 （英语） Zbl 07666006号

申请。数学。建模 115, 279-299 (2023).

引用于4文件

MSC公司：

62米10 统计学中的时间序列、自相关、回归等（GARCH）
91G70型 统计方法；风险措施

关键词：

随机微分方程;\（α）-稳定Lévy运动;神经网络;混沌时间序列

软件：

深XDE;火炬差异;张紧器2传感器
PDF格式BibTeX公司 XML格式引用
\textit{L.Yang}等人，应用。数学。115、279--299型（2023；Zbl 07666006）
全文： 内政部 arXiv公司

参考文献：

[1] Hummer，G.，位置相关扩散系数和来自平衡贝叶斯分析和复制分子动力学模拟的自由能，新物理学杂志。，7, 1, 34 (2005)
[2] Beltran-Villegas，D.公司。；爱德华兹，T。；Bevan，M.，《大分子溶液中的自洽胶体能量和扩散率景观》，Langmuir，29，40，12337-12341（2013）
[3] Sahoo，M。；Patra，K.，基于马尔可夫链蒙特卡罗计算和贝叶斯推理模型的河流水质建模与模拟，Afr。科学杂志。技术。因诺夫。Dev.，12，6，771-785（2020年）
[4] Sun，S。；Jin，F。；李，H。；Li，Y.，一种新的用于碳价格预测的混合优化集成学习方法，应用。数学。型号。，97, 182-205 (2021) ·Zbl 1481.91144号
[5] 田，C。；Hao，Y.，基于改进分析预测系统的碳价格点和区间预测，Appl。数学。型号。，79, 126-144 (2020) ·兹比尔1481.91131
[6] 吴，X。；Wang，Y。；毛，J。；杜，Z。；李，C.，随机缺失数据时间序列的多步预测，应用。数学。型号。，38, 14, 3512-3522 (2014) ·兹比尔1428.62416
[7] 钟涛，基于相空间重构理论和递归神经网络相结合的短期股票预测新方法，应用。Res.计算。(2007)
[8] 斯特吉奥（Stergiou，K.）。；Karakasidis，T.，深度学习和混沌理论在希腊负荷预测中的应用，神经计算。申请。，33, 23, 16713-16731 (2021)
[9] 瓦斯瓦尼，A。；北沙泽尔。；北卡罗来纳州帕尔马。；Uszkoreit，J。；Jones，L。；A.戈麦斯。；凯撒，L。；我，Polosukhin，你所需要的就是注意力，高级神经信息处理。系统。，30 (2017)
[10] 周，H。；张，S。；彭杰。；张，S。；李，J。；熊，H。；Zhang，W.，Informer：超越长序列时间序列预测的有效变压器，AAAI（2021）
[11] 吴，H。；徐，J。；Wang，J。；Long，M.，Autoformer：用于长期序列预测的自相关分解变压器，Adv.Neural Inf.Process。系统。，34 (2021)
[12] Y.Lu，Z.Li，D.He，Z.Sun，B.Dong，T.Qin，L.Wang，T.Liu，从多粒子动态系统的角度理解和改进变压器，arXiv:1906.02762（2019）。
[13] 陈，R。；Rubanova，Y。；Bettencourt，J。；Duvenaud，D.，《神经常微分方程》，NeurIPS（2018）
[14] X.Liu，T.Xiao，S.Si，Q.Cao，S.Kumar，C.Hsieh，《神经SDE:用随机噪声稳定神经网络》，arXiv预印本arXiv:1906.02355（2019）。
[15] 贾，J。；Benson，A.，《神经跳跃随机微分方程》，《高级神经信息处理》。系统。，32 (2019)
[16] L.Kong，J.Sun，C.Zhang，SDE-Net:用不确定性估计装备深层神经网络，arXiv:2008.10546（2020）。
[17] 莱斯，M。；佩迪卡里斯，P。；Karniadakis，G.，《基于物理的神经网络：用于解决涉及非线性偏微分方程的正向和反向问题的深度学习框架》，J.Compute。物理。，378, 686-707 (2019) ·Zbl 1415.68175号
[18] 卢，L。；X孟。；毛，Z。；Karniadakis，G.E.，DeepXDE：解微分方程的深度学习库，SIAM Rev.，63，1，208-228（2021）·Zbl 1459.65002号
[19] 陈，X。；Yang，L。；Duan，J。；Karniadakis，G.E.，使用福克-普朗克方程和物理信息神经网络从离散粒子观测中求解逆随机问题，SIAM J.Sci。计算。，43、3、B811-B830（2021年）·兹比尔1480.35377
[20] J.O’Leary，J.Paulson，A.Mesbah，《随机物理信息神经网络（SPINN）：学习随机微分方程中隐藏物理的时刻匹配框架》，arXiv预印本arXiv:2109.01621（2021）。
[21] Kontolati，K。；Alix-Williams，D。；Boffi，N。；福克，M。；Rycroft，C。；Shields，M.，《粗粒度原子模拟的流形学习：非晶固体的应用》，《材料学报》。，215, 117008 (2021)
[22] 戈农。；Schwab，C.，《高维指数Lévy模型中期权价格的Deep-ReLU网络表达率》，《金融学杂志》。，25, 4, 615-657 (2021) ·Zbl 1475.91356号
[23] 西格尔，J。；Xu，J.，具有一般激活函数的神经网络的近似率，神经网络。，128, 313-321 (2020) ·Zbl 1480.41007号
[24] E、 W。；马，C。；Wu，L.，神经网络模型的Barron空间和流诱导函数空间，Constr。约1-38（2021）
[25] Q.Li，T.Lin，Z.Shen，《通过动力系统进行深度学习：近似观点》，arXiv预印本arXiv:1912.10382（2019）。
[26] Zhu，Q.，带Lévy噪声的随机微分方程第p阶矩的渐近稳定性，数学分析应用杂志，416126-142（2014）·Zbl 1309.60065号
[27] Sangeetha，G。；Mathiyalagan，K.，《含Lévy型噪声的遗传调控网络状态估计结果》，中国。《物理学杂志》。，68, 191-203 (2020)
[28] Wang，Y。；Wang，H。；Zhang，S.，利用数据驱动的常微分方程预测中国PM2.5日浓度，应用。数学。计算。，375, 125088 (2020)
[29] 李，C。；Yang，Y。；Liu，S.，缓解时间序列预测数据波动的新方法，应用。数学。型号。，65, 390-407 (2019) ·Zbl 1481.62059号
[30] Y.Lu，A.Zhong，Q.Li，B.Dong，《超越有限层神经网络：桥接深层结构和数值微分方程》，2018年。
[31] He，K。；张，X。；任，S。；Sun，J.，图像识别的深度残差学习，IEEE计算机视觉和模式识别会议论文集，770-778（2016）
[32] Han，Z。；胡，Y。；Lee，C.，《使用反射扩散过程的受监管市场中的最优定价壁垒》，Quant。财务，16，4，639-647（2016）·Zbl 1469.62362号
[33] Bo，L。；Wang，Y。；杨，X.，反射SDE的一些积分泛函及其在金融中的应用，Quant。《金融》，11，3，343-348（2011）·Zbl 1217.91217号
[34] 布朗宁，A。；沃恩，D。；Burrage，K。；贝克·R。；Simpson，M.，系统生物学中随机微分方程模型的可识别性分析，J.R.Soc.Interface，17，173，20200652（2020）
[35] 袁，G。；丁·D。；Duan，J。；卢·W。；Wu，F.，纯跳跃Lévy波动下百慕大期权估值的总价值调整，Chaos，32，2，023127（2022）
[36] 杨，F。；郑毅。；Duan，J。；Fu，L。；Wiggins，S.，极端事件影响下北极海冰系统的倾翻时间，混沌，30，6，063125（2020）·Zbl 1440.86011号
[37] Song，W。；刘，H。；Zio，E.，滚动轴承退化中剩余使用寿命预测的长程相关性和重尾特性，应用。数学。型号。，102, 268-284 (2022) ·Zbl 1525.62040号
[38] 郑毅。；杨，F。；Duan，J。；太阳，X。；Fu，L。；Kurths，J.，《温室效应和莱维噪声影响下全球变暖的最大可能性气候变化》，Chaos，30，1，013132（2020）·Zbl 1431.86011号
[39] Kurumatani，K.，基于递归神经网络及其评估方法的农产品价格时间序列预测，SN Appl。科学。，2, 8, 1-17 (2020)
[40] G.M.Rotskoff，E.Vanden-Eijnden，《神经网络的可训练性和准确性：交互粒子系统方法》，arXiv预印本arXiv:1805.00915（2018）·Zbl 07597044号
[41] https://books.google.com.hk/books？id=jYWEBwAAQBAJ网址 ·Zbl 1359.60003号
[42] https://books.google.com.hk/books？id=PUw_AQAAIAAJ ·兹比尔0684.60040
[43] W.Liu，对称稳定过程驱动的Hölder连续漂移系数随机微分方程的Euler-Maruyama方法的强收敛速度，arXiv预印本arXiv:1901.08742（2019）。
[44] Samorodnitsky，G。；Taqqu，M.，《稳定非高斯随机过程：无限方差随机模型》，美国统计协会，90，805（1995）
[45] Kurtz，T.G。；Protter，P.，随机积分和随机微分方程的弱极限定理，Ann.Probab。，19, 3, 1035-1070 (1991) ·兹比尔074260053
[46] 马，J。；Zhang，Y。；Cao，Z.，基于Cao方法的空间目标RCS混沌特性，现代雷达（2009）
[47] Wolf，A。；斯威夫特，J。；斯温尼，H。；Vastano，J.，从时间序列中确定Lyapunov指数，Physica D，16，3，285-317（1985）·Zbl 0585.58037号
[48] 卡拉卡西迪斯，T。；Charakopoulos，A.，风时间序列中低维混沌的检测，混沌孤子分形，41，4，1723-1732（2009）
[49] Zbilut，J.，《在经济时间序列中使用递归量化分析》，《经济学：复杂窗口》，91-104（2005），施普林格出版社
[50] 姚，C。；Lin，Q.，基于相空间重构的人民币汇率市场回归图分析，北美经济杂志。《金融》，42，584-596（2017）
[51] Cao，L.，确定标量时间序列最小嵌入维数的实用方法，Physica D，110，43-50（1997）·Zbl 0925.62385号
[52] Frank，G.，从混沌时间序列中恢复Lyapunov指数，数字化论文（1990）
[53] Hochreiter，S。；Schmidhuber，J.，长短期记忆，神经计算。，9, 8, 1735-1780 (1997)
[54] 盒子，G。；詹金斯，G。；Reinsel，G。；Ljung，G.，《时间序列分析：预测和控制》（2015），John Wiley&Sons
[55] Takens，F.，《探测湍流、动力系统和湍流中的奇怪吸引子》，沃里克1980年，366-381（1981），斯普林格·Zbl 0513.58032号
[56] 李磊，基于相空间重构技术的金融混沌研究（2011），湖南文科大学（中文）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。