基于经验模态分解和多分支LSTM网络汇率预测

作为一种新型信号变换算法,经验模态分解(empirical mode decomposition, EMD)能够解决傅里叶变换等方法受限于特定基函数的缺陷。本文针对人工神经网络对高频金融时间序列预测准确率不足的问题,结合EMD和韦布尔分布对金融时间序列进行预处理,提出一种基于经验模态分解和多分支长短期记忆网络的分类预测模型,用于从高频金融时间序列中提取有关价格走势的信息并对未来的价格运动趋势做出预测。通过对2009—2012年欧元兑美元汇率时间序列进行预测,实验结果表明,所提出的网络模型可以得到较高的预测准确率和计算速度,并且同普通LSTM网络相比,提高了泛化能力和模型稳定性。