融合经验模态分解与线性Transformer的高频金融时间序列预测

摘要：

随着深度学习的发展,神经网络模型已被广泛应用于期货等金融资产价格序列预测研究工作中.当前的研究以低频数据为主,针对非线性、非平稳、高噪声的高频数据的预测准确率还有待提升.因此,提出CEEMDAN_Linformer模型,通过引入"分解-重构"方法,使用自适应噪声完全集成经验模态分解(CEEMDAN)方法对高频交易数据进行去噪预处理;通过引入时间戳进行特征融合,为输入编码提供了全局特征;使用线性Transformer提升模型的预测准确率,同时降低原始Transformer的复杂度,使其更适用于在当前的期货高频数据预测任务上.以贵金属期货品种——黄金期货、白银期货的5 min、1 h价格序列为例,实现了多步价格序列预测.实验对比了LSTM、CONVLSTM、TCN、Transformer四个基准模型,提出的模型在三个评价指标上均优于以上基准模型,取得了较好的预测效果.

关键词：金融时间序列、经验模态分解、神经网络、深度学习、线性Transformer、高频数据、价格预测、期货

所属期刊栏目：45

分类号：TN711-34;TP3(基本电子电路)

在线出版日期：2022-12-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：121-126