基于CEEMD-CNN-LSTM的股票指数集成预测模型 |
| |
引用本文: | 丛敬奇,成鹏飞,赵振军.基于CEEMD-CNN-LSTM的股票指数集成预测模型[J].系统工程,2023(4):104-116. |
| |
作者姓名: | 丛敬奇 成鹏飞 赵振军 |
| |
作者单位: | 1. 湖南科技大学大数据与智能决策研究中心;2. 吉林省信托有限责任公司;3. 产业发展大数据与智能决策湖南省工程研究中心 |
| |
基金项目: | 湖南省哲学社会科学基金一般项目(21YBA118); |
| |
摘 要: | 为有效应对金融时间序列数据的高噪声、时间依赖性和非线性,本文构建了一种CEEMD-CNN-LSTM模型。该模型基于互补集成经验模态分解(CEEMD),以及卷积神经网络(CNN)与长短期记忆网络(LSTM),将原始金融时间序列分解重构为高频项、低频项和趋势项,同时应用CNN-LSTM模型分别对各分项进行预测,并将各分项的预测值集成为最终预测结果。为验证CEEMD-CNN-LSTM模型对金融时间序列数据预测的准确性和有效性,选取沪深300、标准普尔500(S&P500)股票指数收盘点数进行了实证分析。实证结果表明,CEEMD-CNN-LSTM模型能同时提取序列依赖关系和局部特征,可有效避免数据直接输入模型导致预测结果右偏等问题,与其他主流预测模型相比,其预测精度更高,预测误差显著降低。
|
关 键 词: | CEEMD 深度学习 CNN-LSTM 股票指数 |
|
|