-
题名基于长短记忆网络的指数量化择时研究
被引量:5
- 1
-
-
作者
贺毅岳
高妮
韩进博
茹少峰
-
机构
西北大学经济管理学院
西安外国语大学经济金融学院
-
出处
《统计与决策》
CSSCI
北大核心
2020年第23期128-133,共6页
-
基金
教育部人文社会科学研究青年基金项目(16XJC630001)
中国博士后科学基金面上资助项目(2017M623229)
+1 种基金
陕西省自然科学基础研究计划项目(2015JQ7278)
西安市社会科学规划基金项目(JG50)。
-
文摘
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。
-
关键词
量化择时
指数预测建模
自适应噪声完备集合经验模态分解
长短记忆网络
预测滞后性
-
Keywords
quantitative timing
index prediction modeling
CEEMDAN
LSTM
prediction hysteresis
-
分类号
F83O.91
[经济管理—金融学]
-