Una predicción precisa del índice bursátil es importante para que los inversores reduzcan el riesgo financiero. Aunque se han desarrollado bastantes métodos de aprendizaje profundo para la predicción bursátil, es necesario resolver algunos problemas fundamentales, como la escasa capacidad de generalización y el sobreajuste en el entrenamiento. En este artículo, se propone un nuevo modelo de aprendizaje profundo denominado Memoria Aleatoria a Corto Plazo (RLSTM) para obtener un mejor resultado de predicción. RLSTM incluye un módulo de predicción, un módulo de prevención y tres capas de conexión completas. La entrada del módulo de predicción es una acción o un índice que debe predecirse. La del módulo de prevención es una serie de números aleatorios. Con el índice de Shanghai Securities Composite Index (SSEC) y Standard
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Ajuste de la emisión multicolor y mejora de la relación rojo/verde de nanopartículas de conversión ascendente KGdF4 codificadas con Yb3 /Er3
Artículo:
Interacciones de nanotubos y nanocuernos de carbono con una capa de membrana modelo y un tensioactivo pulmonar in vitro
Artículo:
Preparación y propiedades biológicas del copolímero PLA-TPGS cargado con complejo de platino(II)
Artículo:
Control del módulo de Young asistido por solvación de nanodiscos monocristalinos de fullereno C70
Artículo:
Desnaturalización de señales basada en la desnaturalización de umbrales wavelet y la descomposición modal variacional optimizada
Informe, reporte:
Diagnóstico sobre la logística del comercio internacional y su incidencia en la competitividad de las exportaciones de los países miembros
Infografía:
Sistemas de calidad. Six Sigma
Manual:
Química de los taninos
Artículo:
Influencia del COVID-19 en las dinámicas de exportación, producción y consumo de carne vacuna en Colombia y el mundo: Una revisión monográfica.