10.16381/j.cnki.issn1003-207x.2021.0194
非结构化数据驱动的混合二次分解汇率区间多尺度组合预测
汇率的变化具有非线性、非平稳、连续变化等特点,传统离散点值预测会损失其波动信息,也无法表示和估计其波动的区间范围.考虑到海量的互联网非结构化数据为汇率预测提供了大量的有效信息,本文提出一种非结构化数据驱动的混合二次分解汇率区间多尺度组合预测方法.首先,从百度指数中提取汇率相关的非结构化数据,利用奇异谱分析(SSA)对其进行去噪,并通过主成分分析(PCA)实现非结构数据的降维.其次,为了充分提取非结构数据和汇率区间序列的有效信息,基于集成经验模态分解(EEMD)、变模态分解(VMD)、奇异谱分析(SSA)和小波变换(WT)对汇率区间序列进行混合二次分解,得到多个不同分解路径下的汇率区间分解结果.然后,针对汇率区间分解得到的高频、低频和趋势序列的特征,基于非结构化数据,建立长短期记忆模型(LSTM)、支持向量回归(SVR)和BP神经网络(BPNN)三种单项预测方法分别对其进行预测,并对结果进行集成,得到不同分解路径下的汇率区间预测值.最后,利用最优加权组合方法对不同分解路径下的汇率区间预测值进行组合,得到汇率区间的最终预测结果.为验证该组合预测方法的有效性,本文对2018-2020年的美元兑人民币日汇率区间时间序列进行实证预测分析,结果表明,本文方法适用于具有高噪声的汇率区间预测,与已有方法相比具有更高的精确度和良好的适用性.
区间组合预测、汇率、非结构化数据、混合二次分解、长短记忆模型(LSTM)
31
C934(管理学)
国家自然科学基金;国家自然科学基金;国家自然科学基金;国家自然科学基金;教育部人文社会科学研究项目;教育部人文社会科学研究项目;安徽省自然科学基金资助项目;安徽省自然科学基金资助项目;安徽省高校优秀青年人才支持计划重点项目
2023-07-13(万方平台首次上网日期,不代表论文的发表时间)
共11页
60-70