基于深度经验模态分解的金融市场时序预测
万方数据知识服务平台
应用市场
我的应用
会员HOT
万方期刊
×

点击收藏,不怕下次找不到~

@万方数据
会员HOT

期刊专题

10.16208/j.issn1000-7024.2019.12.041

基于深度经验模态分解的金融市场时序预测

引用
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%.

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

40

TP391(计算技术、计算机技术)

天津市自然科学基金重点基金项目17JCZDJC30700;天津市科技支撑基金项目17YFZCGX00610

2020-01-11(万方平台首次上网日期,不代表论文的发表时间)

共7页

3613-3619

相关文献
评论
暂无封面信息
查看本期封面目录

计算机工程与设计

1000-7024

11-1775/TP

40

2019,40(12)

相关作者
相关机构

专业内容知识聚合服务平台

国家重点研发计划“现代服务业共性关键技术研发及应用示范”重点专项“4.8专业内容知识聚合服务技术研发与创新服务示范”

国家重点研发计划资助 课题编号:2019YFB1406304
National Key R&D Program of China Grant No. 2019YFB1406304

©天津万方数据有限公司 津ICP备20003920号-1

信息网络传播视听节目许可证 许可证号:0108284

网络出版服务许可证:(总)网出证(京)字096号

违法和不良信息举报电话:4000115888    举报邮箱:problem@wanfangdata.com.cn

举报专区:https://www.12377.cn/

客服邮箱:op@wanfangdata.com.cn