基于VMD-PSO-LSTM多尺度组合模型的股票价格预测研究.pdfVIP

第46卷第3期喀什大学学报Vol.46No.3

2025年6月JournalofKashiUniversityJun.2025

DOI：10.13933/j.cnki.2096-2134.2025.03.005

基于VMD-PSO-LSTM多尺度组合模型的

股票价格预测研究

袁宏俊，宋倩倩，周怡，袁峰徽

（安徽财经大学统计与应用数学学院，安徽蚌埠233030）

摘要：为了提高股票价格的预测精度，基于变分模态（VMD）分解集成、粒子群（PSO）优化、长短期记忆（LSTM）

神经网络提出了一种VMD-PSO-LSTM多尺度组合预测模型，并且将Carhart四因子选股方法与VMD-PSO-

LSTM模型相结合，在选股和预测过程中综合考虑多因子对股票价格的影响因素.首先，对原始数据进行标准化

处理，并运用相关性分析方法分别计算收盘价与各指标的相关系数；然后，根据各指标相关系数的大小来确定对

收盘价有影响的正向指标，并将其作为股票价格的影响因素，基于量化选股的方法确定得分最高的是贵州茅台

股票；最后，以贵州茅台股票数据为例，将VMD-PSO-LSTM多尺度组合模型的预测精度与LSTM、PSO-LSTM和

VMD-LSTM3种模型进行对比.结果表明，VMD-PSO-LSTM多尺度组合模型能有效提高预测精度.

关键词：VMD-PSO-LSTM多尺度组合模型；股票价格；预测；深度学习

中图分类号：F832.51；F224文献标志码：A文章编号：2096-2134（2025）03-0026-06

0引言费行业板块指数走势具有较强的预测能力；于孝

建等[10]利用SVM模型分析股吧个股评论，构建

在股票预测中，由于使用传统的时间序列模

LSTM模型提取市场情绪指标特征，并用于预测上

型难以判断各变量之间的非线性关系[1-4]，因此，近

证50指数短期走势，结果表明该模型在金融时序

年来一些学者将机器学习方法引入股票收益的预

预测上精确度更高；郝剑龙等[11]构建了一种动态超

测研究中.结果显示，机器学习方法在适应性和稳

图卷积神经网络股票预测模型，通过改进的Trans‐

定性方面显著优于传统统计模型，能够获取更有

former和动态超图卷积网络，有效捕捉时序特征与

效的预测信息.例如：翁晓健等[5]利用经验模态分

股票间协同关系，显著提升了股票预测性能；吴峰

解（EMD）与投资者情绪的长短期记忆（LSTM）神等[12]提出了一种双流LSTM股价预测模型，结合标

经网络提出一种股票价格预测模型，能有效提高

普500历史数据和金融新闻来预测股价趋势，并利

股票涨跌的预测精度；张琳[6]利用长短期记忆网络

用VietStock新闻和Cophieu68股票价格预测VN指

LSTM提出了一种股票价格预测模型，也取得了良数变化，结