基于深度经验模态分解的金融市场时序预测

摘要：

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％.

关键词：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

所属期刊栏目：40

分类号：TP391(计算技术、计算机技术)

资助基金：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

在线出版日期：2020-01-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：3613-3619