18、循环神经网络与时间序列分析：以股票价格预测为例

循环神经网络与时间序列分析：以股票价格预测为例

循环神经网络的局限性与长短期记忆网络（LSTM）

传统的循环神经网络（RNN）在处理序列数据时存在一定的局限性，因为它们会“遗忘”来自先前时间步的信息。而长短期记忆网络（LSTM）通过引入额外的内部状态和参数克服了这一限制。LSTM 单元中的额外“门”使其能够保留先前状态的信息，从而克服了传统 RNN 因梯度消失问题而产生的局限性。不过，LSTM 虽然是目前使用最广泛的 RNN 变体，但计算成本高且难以扩展。

RNN 近年来逐渐失宠的部分原因在于其可扩展性问题和计算复杂性。RNN 本质上是按顺序操作的，这既是其强大之处，也导致了效率低下，因为只能在批次维度上对其进行向量化或并行化处理。

时间序列分析与股票价格预测

循环神经网络不仅适用于处理文本数据，对于具有时间性质的数据，如时间序列数据，也非常合适。时间序列数据是按时间顺序索引的数据集合，每个时间步都有一个或多个观测值。本章将使用 Elixir、Nx 和 Axon 处理时间序列数据，训练卷积神经网络（CNN）和循环神经网络来解决时间序列分析问题，并比较它们的结果。

以预测股票价格为例，这是时间序列分析中一个明显的应用。尽管预测市场方向极其困难，但这是一个很好的时间序列分析练习，能展示过度依赖模型的潜在风险。

数据准备

1. 下载数据 ：使用 2006 年至 2018 年道琼斯工业平均指数中 30 家公司的历史股票数据，可从 Kaggle 下载。
2. 添加依赖 ：在新的 Livebook 中添加