融合分解集成和深度学习的金融时间序列预测模型.pdfVIP

DOI:10.13546/j.cnki.tjyjc.2023.24.027

财经纵横

融合分解集成和深度学习的金融时间序列预测模型

a,baaa,b

江雨燕，邵金，陈梦凯，王付宇

（安徽工业大学a.管理科学与工程学院；b.复杂系统多学科管理与控制

安徽普通高校重点实验室，安徽马鞍山243002）

摘要：由于金融时间序列具有高度非线性、不稳定性等特点，单一预测模型的预测精度受限。文章将集

成经验模态分解（EEMD）技术和长短期记忆网络（LSTM）相结合，同时融入麻雀搜索算法（SSA）优化神经网络参

数，构建了EEMD-SSA-LSTM混合预测模型。首先将该金融时间序列进行EEMD分解，其次将分解所得的各

IMF分量与残差项输入到SSA优化后的LSTM网络进行逐个预测，最后通过累加得到最终预测结果。以上证指

数价格为研究对象进行实证分析，结果表明，所提出的混合预测模型的MAPE、RMSE、MAE分别为0.0122、

0.3278、0.2681，具有更高的预测精度与适用性。

关键词：金融时间序列；预测；LSTM；麻雀搜索算法

中图分类号：C94文献标识码：A文章编号：1002-6487（2023）24-0152-05

[5]

在复杂时间序列预测的处理工作上，Wang等（2005）

0引言提出TEI@I方法论，采用分解-集成的方式将时间序列进

行分解，结果证明分解集成的预测模型的效果优于传统单

金融时间序列具有非线性、高频性、随机性等特点，其[6]

一预测模型。贺毅岳等（2020）提出基于EEMD-SVR的

波动情况不仅与当前股票市场、房地产市场、贸易市场等沪深300指数预测模型，将EEMD的分解优势与SVR的较

有强联动性，而且大幅度起伏对于其他市场有较大的影响强非线性预测能力相结合，利用混合模型提升预测准确率

和冲击。由于金融市场受多种因素影响且各影响因素间[7]

来为股票交易决策提供有效信息。谢合亮和张砣（2017）

也存在一定复杂动态交互关系，导致金融时间序列成为一将卡尔曼滤波融入金融时间序列中，利用卡尔曼方程优

[1]

个具有非平稳性、时序相关性等特征的复杂系统，更加准化ARIMA算法，对预测结果进行参数修正。孙少龙等

确地把握金融时间序列的走势风向能够引导投资者正确[8]

（2022）提出基于EEMD-LSSVR-K的分解-集成-聚类方

的投资行为，相关的预测研究成为近几年的研究重点。因