信号分解与融合神经网络的金融数据预测研究

被引：5

作者：

金丰

邵清

机构：

[1] 上海理工大学光电信息与计算机工程学院

来源：

小型微型计算机系统 | 2020年 / 41卷 / 06期

基金：

国家重点研发计划;

关键词：

金融时序数据预测; 变分模态分解; 长短期记忆神经网络; 因子分解机;

D O I：

暂无

中图分类号：

F831.51 []; TP183 [人工神经网络与计算]; TN911.6 [信号分析];

学科分类号：

020202 ; 081104 ; 0812 ; 0835 ; 1405 ; 080401 ; 080402 ;

摘要：

针对目前特征+模型的预测方案在金融时序数据上预测精度不足的问题,提出一种基于变分模态分解的长短期记忆神经网络-因子分解机双通道融合模型.首先利用变分模态分解分解金融时序数据,得到能表现时序数据趋势和变化信息的模态,接着将模态信息输入到长短期记忆神经网络-因子分解机双通道融合模型中,长短期记忆神经网络得到数据的时序特征,因子分解机得到数据的交互特征,通过改进的局部连接层融合,使模型能同时表达数据的时序特征和交互特征,提升时序数据预测的效果.以沪深300指数和标普500指数的数据为例,对所提模型进行验证,结果表明其在预测性能和泛化性能上都有明显的优势.

引用

页码：1140 / 1146

页数：7

共 13 条

[1] FEPA-金融时间序列自适应组合预测模型 [J].

潘和平 ;

张承钊 .

中国管理科学, 2018, 26 (06) :26-38

[2] 基于VMD-SE和机器学习算法的短期风电功率多层级综合预测模型 [J].

张亚超 ;

刘开培 ;

秦亮 .

电网技术, 2016, 40 (05) :1334-1340

[3] EMD结合RBF神经网络新混合模型及股指期货价格预测 [J].

史文静 ;

高岩 .

经济数学, 2015, 32 (01) :47-51

[4] 基于时间序列GARCH模型的人民币汇率预测 [J].

惠晓峰 ;

柳鸿生 ;

胡伟 ;

何丹青 .

金融研究, 2003, (05) :99-105

[5] 基于BP神经网络的股市建模与决策 [J].

禹建丽 ;

孙增圻 ;

Valeri.Kroumov ;

成久洋之 ;

刘治军 .

系统工程理论与实践, 2003, (05) :15-19+58

[6] 非线性GARCH模型在中国股市波动预测中的应用研究 [J].

刘国旗 .

统计研究, 2000, (01) :49-52

[7]

Cross-correlation analysis of stock markets using EMD and EEMD [J] . Mengjia Xu,Pengjian Shang,Aijing Lin.&nbsp&nbspPhysica A: Statistical Mechanics and its Applicat . 2016

[8]

Computational Intelligence and Financial Markets: A Survey and Future Directions [J] . Rodolfo C. Cavalcante,Rodrigo C. Brasileiro,Victor L.F. Souza,Jarley P. Nobrega,Adriano L.I. Oliveira.&nbsp&nbspExpert Systems With Applications . 2016

[9]

A hybrid ANFIS model based on empirical mode decomposition for stock time series forecasting [J] . Liang-Ying Wei.&nbsp&nbspApplied Soft Computing . 2016

[10]

Variational Mode Decomposition. [J] . Konstantin Dragomiretskiy,Dominique Zosso.&nbsp&nbspIEEE Trans. Signal Processing . 2014 (3)

← 1 2 →