E-V-ALSTM模型的股价预测

摘要：

针对股票价格非平稳、非线性、高复杂和随机波动等特性使其预测难度大的问题,提出一种基于E-V-ALSTM混合深度模型的股票价格预测方法.使用经验模态分解(EMD)对股票价格数据进行第一次分解,得到若干固有模态函数(IMFs)和一个残差(Res),降低了股票价格数据的非平稳性和非线性;使用样本熵(SampEn)对这些IMFs进行复杂性评估;将复杂度高于一定阈值的IMFs使用变分模态分解(VMD)进行二次分解,以降低股票价格数据的复杂性;通过加入注意力机制的长短期记忆神经网络(LSTM)模型进行预测,捕捉关键时间点特征信息,重新赋予权重,以解决股票价格数据的随机波动性,提升预测方法的精确度.对沪深300指数和德国DAX指数等数据集上的实验结果表明,该模型比其他对比模型能进一步提高股票价格预测的准确性.

关键词：股票价格预测、二次分解、样本熵、注意力机制、长短期记忆神经网络(LSTM)

所属期刊栏目：59

分类号：TP183(自动化基础理论)

资助基金：国家自然科学基金;江西省青年科学家培养对象计划;江西省放射性地学大数据技术工程实验室开放项目;江西省抚州市人才计划项目;江西省网络空间安全智能感知重点实验室开放项目

在线出版日期：2023-03-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：101-112