基于优化VMD再分解的LSTM下的股价预测

研究设计了一种股价预测混合模型,以应对股价受多种因素影响的挑战。模型结合了完备集合经验模态分解(CEEMDAN)与经粒子群优化(PSO)的变分模态分解(VMD)技术,并使用长短期记忆网络(LSTM)对股价进行预测,旨在处理股票价格中的噪声并提升预测精度。通过与LSTM模型、循环神经网络(RNN)模型、卷积神经网络(CNN)模型和支持向量回归(SVR)模型的对比,实验结果表明,所设计的模型相较于其他模型表现出更高的鲁棒性和准确性,对于金融从业者在制定投资策略时具有指导意义,同时有助于深度学习在股价预测领域的应用,具备实际应用价值。