基于滑动窗口-变分模态分解的深度学习金融时序预测

摘要：

针对金融数据的时序特征,构造了滑动窗口-变分模态分解(SW-VMD)的数据处理方法,对股指收盘价以及收益率时序数据进行分解与重构,把非线性、非平稳的数据序列转换为线性且平稳的数据.处理后的数据作为长短时记忆神经网络(LSTM)的输入数据,对股票指数未来的收盘价和收益率进行预测分析.实证分析将趋势准确率作为模型的评价指标,以此反映模型对隔天收盘价和收益率涨跌的预测能力.结果显示,与无数据分解的模型相比较,采用了数据分解后的LSTM模型在趋势预测准确率上有显著的优化效果.

关键词：滑动窗口、变分模态分解、长短时记忆神经网络、金融时序预测

所属期刊栏目：18

分类号：TP183(自动化基础理论)

资助基金：广东省自然科学基金项目;广东外语外贸大学校级科研项目

在线出版日期：2023-02-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：14-18