基于CEEMDAN-LSTM的股票市场指数预测建模研究

摘要：

为满足主动型量化投资对股票市场指数高精度预测的要求,将自适应噪声完备集合经验模态分解(CEEMDAN)引入到股市指数预测建模中,结合长短期记忆网络(LSTM)对复杂序列中长期依赖关系高效的建模能力,采用"分解—重组—预测—集成"思路,提出一种股市指数集成预测方法CEEMDAN-LSTM.运用CEEMDAN对指数进行分解与重构,获得其高、低频分量及趋势项;分别构建各分量的LSTM预测模型并优化高频子序列IM F重组方式,进而通过加和集成各分量预测值获得指数的整体预测值.以沪深300等5个代表性的股市指数为测试数据,对CEEMDAN-LSTM与主流的金融时序机器学习建模方法的预测效果进行系统的对比实验,结果表明:CEEMDAN-LSTM的预测表现一致性地优于现有建模方法,具有更低的预测误差和滞后性.

关键词：量化投资、股市指数、预测建模、自适应噪声完备集合经验模态分解、长短期记忆网络

所属期刊栏目：35

分类号：F830(金融、银行)

资助基金：教育部人文社会科学研究青年基金项目"基于多尺度时序模式挖掘的股票在线算法交易策略研究";中国博士后科学基金面上资助项目"大数据视角下基于深度学习预测建模的算法交易策略研究";陕西省自然科学基础研究计划项目"基于多粒度时序模式挖掘与预测的股票算法交易策略研究"

在线出版日期：2020-06-28（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：34-45