融合分解集成和深度学习的金融时间序列预测模型  

作　　者：江雨燕[1,2] 邵金 陈梦凯 王付宇[1,2] 

机构地区：[1]安徽工业大学管理科学与工程学院,安徽马鞍山243002 [2]安徽工业大学复杂系统多学科管理与控制安徽普通高校重点实验室,安徽马鞍山243002

出　　处：《统计与决策》2023年第24期152-156,共5页Statistics & Decision

基　　金：国家自然科学基金面上项目(71872002);安徽普通高校重点实验室开放基金项目(CS2022-ZD02,CS2023-ZD02)。

摘　　要：由于金融时间序列具有高度非线性、不稳定性等特点,单一预测模型的预测精度受限。文章将集成经验模态分解(EEMD)技术和长短期记忆网络(LSTM)相结合,同时融入麻雀搜索算法(SSA)优化神经网络参数,构建了EEMD-SSA-LSTM混合预测模型。首先将该金融时间序列进行EEMD分解,其次将分解所得的各IMF分量与残差项输入到SSA优化后的LSTM网络进行逐个预测,最后通过累加得到最终预测结果。以上证指数价格为研究对象进行实证分析,结果表明,所提出的混合预测模型的MAPE、RMSE、MAE分别为0.0122、0.3278、0.2681,具有更高的预测精度与适用性。

关 键 词：金融时间序列 预测 LSTM 麻雀搜索算法 

分 类 号：C94[自然科学总论—系统科学]