基于深度经验模态分解的金融市场时序预测

发布时间：2021-03-07 06:45

　　传统模型和单一模型无法实现时间序列预测的高精度需求,现有时间序列预测模型对一些数据不能做到较为精准的预测。融合经验模态分解（EMD）、主成分分析（PCA）以及长短期记忆网络（LSTM）,提出一种深度经验模态分解模型EPL,并提出IEPL （interval EPL）模型进行实验优化。选取4类金融衍生品时间序列的数据集FTSE、S&P500、USD、BDI,以单一模型、传统模型、已有组合模型为对照进行实验。对比实验结果表明,EPL和IEPL在精确度方面表现更好,比现有研究的平均精度提高5%-7%。 

【文章来源】：计算机工程与设计. 2019,40(12)北大核心

【文章页数】：7 页

【部分图文】：

图１深度经验模态分解模型整体架构

图２本文使用的ＬＳＴＭ结构

计算机工程与设计２０１９年ＬＳＴＭ存储块存储长期信息，每个记忆块包含了３个门结构，左侧是遗忘层，下边尾端是输入层，上面是输出层，通过遗忘层控制门的打开关闭状态，分别用“○”和“—”表示，如图３所示。图３记忆块结构当在时刻ｔ时，只有ｔ之后时刻输入层保持关闭，遗忘层保持打开，才能够在不影响记忆细胞的情况下随时开启输出层获取记忆细胞内容。使用这种方式能够在梯度反向传播时有效缓解梯度的衰减。上述新型ＬＳＴＭ各层构造函数如下所示：遗忘层ａｔ?＝∑ｉωｉ?ｘｔｉ＋∑ｈωｈ?ｂｔ－１ｈ＋∑ｃωｃ?ｓｔ－１ｃ，ｂｔ?＝ｆ（ａｔ?）（９）输入层ａｔｌ＝∑ｉωｉｌｘｔｉ＋∑ｈωｈｌｂｔ－１ｈ＋∑ｃωｃｌｓｔ－１ｃ，ｂｔｌ＝ｆ（ａｔｌ）（１０）记忆细胞ａｔｃ＝∑ｉωｉｃｘｔｉ＋∑ｈωｈｃｂｔ－１ｈ，ｓｔｃ＝ｂｔ?ｓｔ－１ｃ＋ｂｔｌｇ（ａｔｃ）（１１）输出层ａｔω＝∑ｉωｉωｘｔｉ＋∑ｈωｈωｂｔ－１ｈ＋∑ｃωｃωｓｔ－１ｃ，ｂｔω＝ｆ（ａｔω）（１２）记忆细胞输出ｂｔｃ＝ｂｔωｈ（ｓｔｃ）（１３）其中，ωｉｊ表示从单元ｉ到单元ｊ的权值，ａｔｊ表示时刻ｔ单元ｊ的输入，ｂｔｊ＝ｆ（ａｔｊ）表示对单元

【参考文献】：
期刊论文
[1]基于GARCH模型的短期汇率预测[J]. 魏红燕,孟纯军.  经济数学. 2014(01)



本文编号：3068586