融合时序依赖与随机森林的数据交易风险预测

摘要

针对数据交易风险预测中时序依赖复杂、风险模式多样及样本不平衡的问题，本文提出一种融合长短期记忆（LSTM）网络与随机森林（RF）的预测方法。首先，通过收集并预处理交易风险数据，构建主体交易时序特征；其次，利用LSTM提取深层时序依赖关系，并结合历史累积信息与动态加权策略增强风险感知能力；最后，构建融合特征集，训练RF下的风险分类模型，同时引入类别代价机制优化决策节点分裂过程，以提升高风险识别能力。实验结果表明，LSTM-RF模型在准确率、F1分数、曲线下面积（AUC）等指标上表现稳定，在不同时间步长、树数量下均保持良好的分类效果，消融实验进一步验证了该方法的有效性。

关键词

数据交易 / 风险预测 / 长短期记忆网络 / 随机森林