針對目前特征+模型的預(yù)測方案在金融時序數(shù)據(jù)上預(yù)測精度不足的問題,提出一種基于變分模態(tài)分解的長短期記憶神經(jīng)網(wǎng)絡(luò)-因子分解機雙通道融合模型.首先利用變分模態(tài)分解分解金融時序數(shù)據(jù),得到能表現(xiàn)時序數(shù)據(jù)趨勢和變化信息的模態(tài),接著將模態(tài)信息輸入到長短期記憶神經(jīng)網(wǎng)絡(luò)-因子分解機雙通道融合模型中,長短期記憶神經(jīng)網(wǎng)絡(luò)得到數(shù)據(jù)的時序特征,因子分解機得到數(shù)據(jù)的交互特征,通過改進的局部連接層融合,使模型能同時表達數(shù)據(jù)的時序特征和交互特征,提升時序數(shù)據(jù)預(yù)測的效果.以滬深300指數(shù)和標普500指數(shù)的數(shù)據(jù)為例,對所提模型進行驗證,結(jié)果表明其在預(yù)測性能和泛化性能上都有明顯的優(yōu)勢. 

【文章來源】：小型微型計算機系統(tǒng). 2020,41(06)北大核心CSCD

【文章頁數(shù)】：7 頁

【文章目錄】：
1 引言
2 模型構(gòu)建方法
    2.1 預(yù)測模型的建立
    2.2基于變分模態(tài)分解的信號分解
    2.3 因子分解機層
    2.4 LSTM層
    2.5 卷積融合層
3 實驗分析
    3.1 數(shù)據(jù)來源
    3.2 VMD信號分解
    3.3 評價指標
    3.4 實驗及對比實驗的設(shè)置
        3.4.1 單通道模型
        3.4.2 雙通道模型
    3.5 實驗結(jié)果與對比分析
4 結(jié)論


【參考文獻】：
期刊論文
[1]FEPA-金融時間序列自適應(yīng)組合預(yù)測模型[J]. 潘和平,張承釗.  中國管理科學(xué). 2018(06)
[2]基于VMD-SE和機器學(xué)習(xí)算法的短期風(fēng)電功率多層級綜合預(yù)測模型[J]. 張亞超,劉開培,秦亮.  電網(wǎng)技術(shù). 2016(05)
[3]EMD結(jié)合RBF神經(jīng)網(wǎng)絡(luò)新混合模型及股指期貨價格預(yù)測[J]. 史文靜,高巖.  經(jīng)濟數(shù)學(xué). 2015(01)
[4]基于時間序列GARCH模型的人民幣匯率預(yù)測[J]. 惠曉峰,柳鴻生,胡偉,何丹青.  金融研究. 2003(05)
[5]基于BP神經(jīng)網(wǎng)絡(luò)的股市建模與決策[J]. 禹建麗,孫增圻,Valeri.Kroumov,成久洋之,劉治軍.  系統(tǒng)工程理論與實踐. 2003(05)
[6]非線性GARCH模型在中國股市波動預(yù)測中的應(yīng)用研究[J]. 劉國旗.  統(tǒng)計研究. 2000(01)



本文編號：3157836