基于LSTM混合模型的比特币价格预测

摘要：

聚焦于具有极度非线性、非平稳性等特征的比特币价格预测问题,在长短时记忆网络(Long Short-Term Memory,LSTM)基础上构建了4个混合预测模型,利用小波变换(Wavelet Transform,WT)以及自适应噪声的完备经验模态分解(Com-plete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)对序列进行分解与重构,并引入了样本熵(Sample Entropy,SE)进行重构优化,使用LSTM对重构以后的子序列分别进行预测,最后将其叠加得到最终的预测结果.在预测结果的评判上,使用均方根误、平均绝对百分误以及希尔不等系数来进行拟合评价,并将结果与单一LSTM模型进行比较.研究发现混合模型的预测准确性均优于单一模型,且样本熵的引入可有效降低预测误差.

关键词：比特币价格;长短时记忆网络;小波变换;自适应噪声完备经验模态分解;样本熵

所属期刊栏目：48

分类号：TP183(自动化基础理论)

资助基金：中央高校基本科研业务费专项基金;中央财经大学新兴交叉学科建设项目

在线出版日期：2021-11-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：39-45