基于MVC5B混合模型的中国股指预测研究.pdfVIP

2842024，60（15）ComputerEngineeringandApplications计算机工程与应用

基于MVC5B混合模型的中国股指预测研究

崔晨豪，李勇

中国科学技术大学管理学院，合肥230026

摘要：为了提高中国股指的预测表现，提出一个融合了变分模态分解（VMD）、卷积注意力模块（CBAM）和双向长

短期记忆网络（BiLSTM）的混合模型MVC5B（multi-channel-VMD-CBAM5-BiLSTM）。不同于混合模型常用的分

解-集成构造方法，MVC5B基于提出的多通道输入方法构造而成。多通道输入方法基于自身一次性预测的特点可

以有效规避分解-集成方法多次预测带来的累计误差和巨大计算成本，从而提升MVC5B的预测表现。CBAM的引

入不但提升了股指的预测表现，而且还丰富了股指预测问题中关于CBAM的研究。基于多个具有代表性的中国股

指数据集的实证结果显示MVC5B的预测表现和模拟收益显著优于流行的预测模型。实证结果还进一步证实了多

通道输入方法相比于分解-集成方法的优越性以及CBAM在股指预测问题中的有效性。

关键词：股指预测；卷积注意力模块；双向长短期记忆网络；变分模态分解；多通道输入

文献标志码：A中图分类号：TP183doi：10.3778/j.issn.1002-8331.2304-0303

ResearchonChineseStockIndexPredictionBasedonMVC5BHybridModel

CUIChenhao,LIYong

SchoolofManagement,UniversityofScienceandTechnologyofChina,Hefei230026,China

Abstract：InordertoimprovethepredictiveperformanceofChinesestockindices,ahybridmodelMVC5B(multi-channel-

VMD-CBAM5-BiLSTM)isproposed,whichintegratesvariationalmodedecomposition(VMD),convolutionalblock

attentionmodule(CBAM),andbidirectionallongshort-termmemorynetwork(BiLSTM).Unlikethecommonlyused

decomposition-ensembleconstructionapproachinhybridmodels,MVC5Bisconstructedbasedonaproposedmulti-channel

inputmethod.Themulti-channelinputmethodeffectivelyavoidsthecumulativeerrorsandsignificantcomputational

costsassociatedwiththemultiplepredictionsofdecomposition-ensembleapproach,therebyenhancingthepredictiveper-

formanceofMVC5B.Furthermore,theintroductionofCBAMnotonlyimprovesthepredictiveperformanceofthestock

indicesbutalsoenrichestheresearchonCBAMinstockindexprediction.Empiricalresultsbasedonmultiplerepresentative

ChinesestockindexdatasetsdemonstratethatMVC5Bexhibitssignificantlybetterpredictiveperformanceandsimulated

returnsthanpopularforecastingmodels.Additionally,theempiricalresul