基于二次分解重构的股指预测研究

针对股票指数复杂难预测的问题,提出一个基于二次分解重构的混合预测模型(ICEEMDAN-EMDLSTM)。使用改进自适应噪声互补集成经验模态分解(ICEEMDAN)方法将股指序列分解为一系列子序列,并根据模糊熵(FE)的值将这些子序列重构为高频、低频和趋势分量。再使用经验模式分解(EMD)方法对高频分量进行分解,并再次应用FE使高频分量的子序列重构为新的高频、低频和趋势分量。将低频分量、趋势分量和新的高频、低频和趋势分量共五个分量进行线性集成,得到股票指数的最终预测值。为了验证所提出模型的有效性,对沪深300指数序列进行一预测。实验结果表明,与基准模型相比,本文提出的模型方法提高了预测精度,并具有良好的稳健性。

混合策略改进的蜣螂优化算法及其工程应用

针对原始蜣螂优化算法(dung beetle optimizer,DBO)容易陷入局部最优,收敛精度不够等问题,提出一种混合策略改进的蜣螂优化算法(TDBO)。运用Tent混沌映射策略初始化种群,使得初始蜣螂的位置分布更加均匀,提高种群的多样性;在蜣螂繁衍阶段使用自适应惯性权重,提升寻优能力;在蜣螂偷窃行为公式中引入莱维飞行,提高算法的搜索能力,使算法跳出局部最优,平横搜索多样性与收敛准确性之间的关系。在9个测试函数上分别与基础DBO算法、4种对比算法以及单一策略改进的DBO算法进行比较,并通过Wilcoxon秩和检验验证TDBO算法的性能。结果证明,TDBO算法在多个函数上速度和精度优于对比算法,并具有显著性差异。通过基准函数的测试、Wilcoxon秩和检验,以及3个工程优化问题的验证,TDBO算法具有较优的收敛精度和速度。