融合分解集成和深度学习的金融时间序列预测模型

作者：江雨燕; 邵金; 陈梦凯; 王付宇

来源：统计与决策, 2023, 39(24): 152-156.

DOI：10.13546/j.cnki.tjyjc.2023.24.027

• 金融时间序列
• 预测
• LSTM
• 麻雀搜索算法

由于金融时间序列具有高度非线性、不稳定性等特点，单一预测模型的预测精度受限。文章将集成经验模态分解（EEMD）技术和长短期记忆网络（LSTM）相结合，同时融入麻雀搜索算法（SSA）优化神经网络参数，构建了EEMD-SSA-LSTM混合预测模型。首先将该金融时间序列进行EEMD分解，其次将分解所得的各IMF分量与残差项输入到SSA优化后的LSTM网络进行逐个预测，最后通过累加得到最终预测结果。以上证指数价格为研究对象进行实证分析，结果表明，所提出的混合预测模型的MAPE、RMSE、MAE分别为0.0122、0.3278、0.2681，具有更高的预测精度与适用性。

• 单位
  安徽工业大学