论文部分内容阅读
在我国经济飞速发展、科技高速进步的大背景下,金融市场的影响也越来越大,而金融时间序列的分析与预测对投资者的决策有很大的影响。由于金融数据具有非线性、高噪声、非平稳等特点,金融时间序列的预测在经济、数学等学科得到了充分的研究和发展,预测模型也经历了从线性到非线性模型的转变,金融科技(Fintech)应运而生。为了提高金融时间序列预测的准确性,本文提出了一种由自适应噪声的完整集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)算法和添加注意力机制(Attention Mechanism,AM)的长短期记忆网络(Long Short Term Memory,LSTM)结合的时间序列预测模型。首先,基于注意力机制对LSTM模型进行改进,充分利用LSTM隐藏层的各个时刻的输出信息,进行注意力分布的计算,对输出信息进行加权。通过与其他模型进行对比,验证了所提出的LSTM-ATTE模型的有效性。接着,研究了经验模态分解(Empirical Mode Decomposition,EMD)和CEEMDAN算法,通过对仿真信号的分解表明CEEMDAN算法能够消除EMD算法产生的模态混叠现象。最后,基于上述研究,提出了一种基于CEEMDAN算法和LSTM-ATTE的时间序列组合预测模型。先用CEEMDAN算法对金融时间序列进行分解,得到一系列具有不同时间尺度的子序列,再利用LSTM-ATTE模型对其分别进行预测,将预测结果叠加得到最终的预测值。同时,采用实际的上证50指数收盘价序列进行验证预测,通过线性回归分析,证明了组合模型预测的正确性。对比与单一模型和其他组合模型,结果表明,本文所提模型有更小的预测误差,提升了预测性能。