信号分解与融合神经网络的金融数据预测研究

发布时间：2021-04-24 18:18

　　针对目前特征+模型的预测方案在金融时序数据上预测精度不足的问题,提出一种基于变分模态分解的长短期记忆神经网络-因子分解机双通道融合模型.首先利用变分模态分解分解金融时序数据,得到能表现时序数据趋势和变化信息的模态,接着将模态信息输入到长短期记忆神经网络-因子分解机双通道融合模型中,长短期记忆神经网络得到数据的时序特征,因子分解机得到数据的交互特征,通过改进的局部连接层融合,使模型能同时表达数据的时序特征和交互特征,提升时序数据预测的效果.以沪深300指数和标普500指数的数据为例,对所提模型进行验证,结果表明其在预测性能和泛化性能上都有明显的优势. 

【文章来源】：小型微型计算机系统. 2020,41(06)北大核心CSCD

【文章页数】：7 页

【文章目录】：
1 引言
2 模型构建方法
    2.1 预测模型的建立
    2.2基于变分模态分解的信号分解
    2.3 因子分解机层
    2.4 LSTM层
    2.5 卷积融合层
3 实验分析
    3.1 数据来源
    3.2 VMD信号分解
    3.3 评价指标
    3.4 实验及对比实验的设置
        3.4.1 单通道模型
        3.4.2 双通道模型
    3.5 实验结果与对比分析
4 结论


【参考文献】：
期刊论文
[1]FEPA-金融时间序列自适应组合预测模型[J]. 潘和平,张承钊.  中国管理科学. 2018(06)
[2]基于VMD-SE和机器学习算法的短期风电功率多层级综合预测模型[J]. 张亚超,刘开培,秦亮.  电网技术. 2016(05)
[3]EMD结合RBF神经网络新混合模型及股指期货价格预测[J]. 史文静,高岩.  经济数学. 2015(01)
[4]基于时间序列GARCH模型的人民币汇率预测[J]. 惠晓峰,柳鸿生,胡伟,何丹青.  金融研究. 2003(05)
[5]基于BP神经网络的股市建模与决策[J]. 禹建丽,孙增圻,Valeri.Kroumov,成久洋之,刘治军.  系统工程理论与实践. 2003(05)
[6]非线性GARCH模型在中国股市波动预测中的应用研究[J]. 刘国旗.  统计研究. 2000(01)



本文编号：3157836