《表1 不同时间窗口长度与LSTM网络隐藏层数各项指标均值》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于LSTM深度学习的大豆期货价格预测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注：加粗部分为结果最佳的项。

Chen K，et al.(2015）指出，增加LSTM网络隐藏层数能够增强对序列特征的提取能力、提高模型预测精度。[19]彭燕等（2019）的实验结果表明，过度增加网络深度对预测准确率提升效果并不明显，反而会增加计算冗余度、延长模型训练时间。[20]由杨青和王晨蔚研究成果可知，对于未来1天交易日的大豆期货收盘价，前60天的交易数据已经包含了足够的信息，因此对应的时间窗口长度不必过长。笔者分别构建1～3层LSTM网络模型对不同时间窗口长度w(10～50）进行测试实验，并将5次实验结果得到的各项指标平均值作为最终指标标准，通过比较来确定网络层数结构及最佳窗口大小。不同时间窗口长度与LSTM网络隐藏层数对应的各项指标均值如表1所示，其中各项误差指标数据均由反归一化数据计算得到。