科研之友
微信
新浪微博
Facebook
分享链接
摘要
为满足主动型量化投资对股票市场指数高精度预测的要求,将自适应噪声完备集合经验模态分解(CEEMDAN)引入到股市指数预测建模中,结合长短期记忆网络(LSTM)对复杂序列中长期依赖关系高效的建模能力,采用"分解—重组—预测—集成"思路,提出一种股市指数集成预测方法CEEMDAN-LSTM。运用CEEMDAN对指数进行分解与重构,获得其高、低频分量及趋势项;分别构建各分量的LSTM预测模型并优化高频子序列IMF重组方式,进而通过加和集成各分量预测值获得指数的整体预测值。以沪深300等5个代表性的股市指数为测试数据,对CEEMDAN-LSTM与主流的金融时序机器学习建模方法的预测效果进行系统的对比实验,结果表明:CEEMDAN-LSTM的预测表现一致性地优于现有建模方法,具有更低的预测误差和滞后性。
- 单位
