基于LSTM网络的非线性误差修正学习模型的构建

针对部分时间序列具有非线性特征、误差修正模型仍然采用线性回归的局限，文章提出一种融合长短期记忆递归神经网络的误差修正学习模型，该模型利用神经网络的非线性特征和长记忆性，提升了对时间序列的非线性表达能力，同时也改善了神经网络中变量的可解释性。运用该非线性误差修正学习模型对2017—2021年美元指数与黄金价格的非线性联动性进行分析，发现其拟合优度比传统的误差修正模型有显著提高。