基于信号分解降噪的CNN-BiLSTM金融市场趋势预测

作者：戴宇睿; 安俊秀; 李焯炜

来源：成都信息工程大学学报, 2023, 38(01): 28-36.

DOI：10.16836/j.cnki.jcuit.2023.01.005

• 金融时间序列预测
• 离散小波变换
• 变分模态分解
• CNN
• 双向LSTM

随着金融时间序列数据日趋复杂,如何捕捉金融数据未来多天的趋势变化成了难题。针对该问题提出了基于信号分解降噪和注意力机制的CNN-BiLSTM金融市场趋势预测模型(attention-based DWT-VMD-CBiLSTM)。首先利用离散小波变换(DWT)对原始金融股指序列进行降噪处理,然后利用变分模态分解(VMD)对降噪后的数据进一步分解为若干子序列。再结合多元基本面特征,利用基于注意力机制的CBiLSTM网络模型对各子序列进行多步预测,最后将各预测结果相加得到最终结果,实现较为长期的趋势预测。为证明所提出的模型性能,在不同金融股指数据集上与不同模型进行了实验比较。结果表明,提出的模型预测精度优于其他方法,在平均绝对误差(MAE)和平均百分比误差(MAPE)上分别达到12.28、0.39和80.27、0.71,在可决系数(R2)和可释方差值(EVS)上达到72%、74%和79%、69%的拟合度。

• 单位
  成都信息工程大学