Earticle

초록

영어

Financial time series exhibit considerable noise, non-stationarity, and intricate structural variations, presenting formidable Financial time series have a lot of noise, non-stationarity, and complex structural changes, making it very challenging to predict short-term stock market movements. This study examines how explicitly delineating the multi-scale characteristics of market dynamics can increase the precision and stability of predictions. The temporal attention process can be used with wavelet-based decomposition to make a multi-scale Attention-LSTM model. This makes it possible to split long-term trend data from short-term change patterns. At the same time, it shows useful historical times. Tests show that the suggested model is always better than LSTM, Attention-LSTM, and transformer when it comes to RMSE, MAE, MAPE, and direction accuracy. These results show that combining multi-scale models with temporal attention is a viable way to make stock index predictions more reliable.

한국어

금융 시계열은 상당한 잡음, 비정상성 및 복잡한 구조적 변동을 보이며, 이로 인해 단기 주식 시장 움직임 을 예측하는 것이 매우 어렵다. 본 연구는 시장 역학의 다중 스케일 특성을 명시적으로 구분함으로써 예측의 정확 성과 안정성을 어떻게 높일 수 있는지 분석한다. 시간적 어텐션 프로세스는 웨이블릿 기반 분해와 결합하여 다중 스케일 어텐션-LSTM 모델을 구축할 수 있다. 이를 통해 장기 추세 데이터와 단기 변화 패턴을 분리할 수 있으며, 동시에 유용한 역사적 시점을 제시한다. 테스트 결과, 제안된 모델은 RMSE, MAE, MAPE 및 방향 정확도 측면에 서 LSTM, 어텐션-LSTM, 트랜스포머보다 항상 우수한 성능을 보였다. 이러한 결과는 다중 스케일 모델과 시간적 어텐션을 결합하는 것이 주가지수 예측의 신뢰성을 높이는 실용적인 방법임을 시사한다.

목차

Abstract
요약
1. Introduction
2. Related Work
2.1 Deep Learning-Based Single-Scale Forecasting Models
2.2 Long Short-Term Attention-Enhanced Time-Series Prediction Models
2.3 Multi-Scale Analysis in Financial Time-Series Forecasting
3. Attention-LSTM Multi-Scale Stock Index Prediction
3.1 Model Overview
3.2 Multi-Scale Decomposition
3.3 LSTM-Based Temporal Modeling
3.4 Temporal Attention Mechanism
3.5 Output Layer and Prediction
4. Evaluation and Results
4.1 Experimental Setup
4.2 Prediction Performance Evaluation
4.3 Impact of Decomposition Level
4.4 Error and Residual Analysis
5. Conclusion
REFERENCES

키워드

다중 스케일 분해 어텐션-LSTM 시계열 예측 주가지수 예측 이산 웨이블릿 변환 금융 모델링 Multi-Scale Decomposition Attention-LSTM Time-Series Forecasting Stock Index Prediction Discrete Wavelet Transform Financial Modeling

저자

• Tian-Shuo Xu [ 서천석 | Student, Dept. of Computer and Media Engineering, Tongmyong University ]
• Ji-Hye Kim [ 김지혜 | Student, Dept. of Game Design, Kongju National University ]
• Seung-Soo Shin [ 신승수 | Professor, Dept. of Computer Engineering, Tongmyong University ] Corresponding Author

참고문헌

발행기관

간행물