股票市场的准确预测对投资者和监管层而言都具有重要意义.在金融时间序列预测研究中分解-集成框架被广泛使用,然而以往研究中针对分解后的模态分量多数采用单一历史数据预测未来的思路,往往忽略了其他低频异质数据对分量的影响.本文融...股票市场的准确预测对投资者和监管层而言都具有重要意义.在金融时间序列预测研究中分解-集成框架被广泛使用,然而以往研究中针对分解后的模态分量多数采用单一历史数据预测未来的思路,往往忽略了其他低频异质数据对分量的影响.本文融合了分解-集成与混频数据采样思想,提出EEMD-Mixed Frequency CNN-BiLSTM-Attention/LSTM-LSTM(EE-MFCBA/L-L)股指收益率预测模型,通过EEMD将股指收益率分解为若干不同频率特征的分量,采用模糊熵算法识别分量频率特征,进而结合不同频率倍差的低频数据,使用MFCBA/L模型实现对模态分量的预测,最后采用LSTM模型非线性集成各分量的预测结果.实证结果表明,所提出的模型可以更好地适应收益率变化特征,与传统模型相比,所提模型在预测非平稳和非线性收益率序列方面具有显著优势,具有最低预测误差和最高的方向性预测准确率.展开更多
文摘股票市场的准确预测对投资者和监管层而言都具有重要意义.在金融时间序列预测研究中分解-集成框架被广泛使用,然而以往研究中针对分解后的模态分量多数采用单一历史数据预测未来的思路,往往忽略了其他低频异质数据对分量的影响.本文融合了分解-集成与混频数据采样思想,提出EEMD-Mixed Frequency CNN-BiLSTM-Attention/LSTM-LSTM(EE-MFCBA/L-L)股指收益率预测模型,通过EEMD将股指收益率分解为若干不同频率特征的分量,采用模糊熵算法识别分量频率特征,进而结合不同频率倍差的低频数据,使用MFCBA/L模型实现对模态分量的预测,最后采用LSTM模型非线性集成各分量的预测结果.实证结果表明,所提出的模型可以更好地适应收益率变化特征,与传统模型相比,所提模型在预测非平稳和非线性收益率序列方面具有显著优势,具有最低预测误差和最高的方向性预测准确率.
