基于深度经验模态分解的金融市场时序预测

作者：李洁; 林永峰; 陈亮; 朱静雯; 孙弘博; 张国强

来源：计算机工程与设计, 2019, 40(12): 3613-3619.

DOI：10.16208/j.issn1000-7024.2019.12.041

• 深度学习
• 金融时间序列
• 经验模态分解
• 主成分分析
• 长短期记忆网络
• 深度经验模态分解

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%。

• 单位
  南开大学; 国网天津市电力公司电力科学研究院