基于自适应Fourier分解和机器学习的投资者信心指数预测研究  

作　　者：王晋勋 何杨 

机构地区：[1]广东外语外贸大学数学与统计学院,广东广州510006

出　　处：《统计理论与实践》2024年第3期67-72,共6页STATISTICAL THEORY AND PRACTICE

基　　金：国家自然科学基金青年项目“超复解析核函数及其在自适应Fourier分解中的应用”(11701105)。

摘　　要：通过AFD去噪分解选取的相关变量,结合门控循环单元(GRU)神经网络模型提出一种基于自适应Fourier分解(AFD)和机器学习的投资者信心指数预测方法——AFD-GRU预测模型,同时采用多个基准模型进行对比分析。研究表明:对于月度投资者信心指数数据,AFD方法结合机器学习模型预测结果更优;针对结构复杂的非线性多变量数据,AFD-GRU预测模型有更好的泛化能力,其预测精度优于其他基准模型。实证结果显示,AFD-GRU模型能够有效预测投资者信心指数的变化趋势,预测精度高且波动性较小,具有一定的实用价值。这一方法有望在金融、统计等领域得到广泛应用。

关 键 词：投资者信心指数 自适应Fourier分解 机器学习 

分 类 号：C813[社会学—统计学]