基于VMD-CSSA-LSTM组合模型的股票价格预测

作者：黄后菊; 李波^*

来源：南京信息工程大学学报(自然科学版), 2023, 1-13.

DOI：10.13878/j.cnki.jnuist.20230903002

• 股票价格预测
• 变分模态分解
• 麻雀搜索算法
• Circle混沌映射
• 长短期记忆网络

针对股票价格非平稳、非线性和高复杂等特性引发的预测难度大的问题，建立一种基于变分模态分解(Variational Mode Decomposition， VMD)-Circle混沌映射的麻雀搜索算法(Circle Sparrow Search Algorithm， CSSA)-长短期记忆 (Long Short-Term Memory， LSTM) 神经网络的组合模型——VMD-CSSA-LSTM。首先，利用VMD将原始股票收盘价数据分解为若干本征模态函数(Intrinsic Mode Function， IMF)分量。然后，采用Circle混沌映射的SSA算法对LSTM神经网络的隐含层神经元、迭代次数、学习率进行优化，将最优参数拟合至LSTM网络中。最后，对每个IMF分量建模预测，将各分量预测结果叠加得到最终结果。实验结果表明，本文模型在多支股票数据集上的均方根误差（RMSE）、平均绝对误差（MAE）及平均绝对百分比误差（MAPE）均达到最小，预测股票收盘价格误差在0附近波动，稳定性更优、拟合更佳、精确度更高。

• 单位
  辽宁工业大学