基于长短记忆网络的指数量化择时研究

构建高精度股市指数预测模型进而设计高效的择时策略是量化投资领域的研究热点。文章在股市指数建模过程中引入自适应噪声完备集合经验模态分解(CEEMDAN),并结合长短记忆网络(LSTM)对复杂序列中长期依赖关系高效的建模能力,提出一种指数预测建模方法C-LSTM。首先,运用CEEMDAN对指数进行量分预解测与值重获构得,指获数得的其整高体、低预频测分值量,与及现趋有势主项流;然预后测,方利法用L的ST对M比分实别验对表各明分C-量L进ST行M预具测有建更模低,的进预而测加误和差集和成滞各分后性;最后,构建基于C-LSTM预测的指数择时策略,并在沪深300指数上将其与均线择时、SVR择时进行对比实验,结果表明该策略凭借对指数的高精度预测大幅提升了择时信号的准确度,整体表现显著超越对照策略。