融合延迟变换和张量分解的金融时序预测算法

金融时序预测可以为从业人员提供行业变化趋势信息。采用多路延迟嵌入变换将时间序列转化为低秩块Hankel张量,利用Tucker分解将高阶张量投影到压缩核心张量中,对核心张量使用季节性差分自回归滑动平均算法实现对未来的预测。在4个公共数据集上验证了该算法与经典的XGBoost、VAR、SARIMA等算法相比具有更好的计算精度和更少的计算成本。

基于滑动窗口-变分模态分解的深度学习金融时序预测

针对金融数据的时序特征,构造了滑动窗口-变分模态分解(SW-VMD)的数据处理方法,对股指收盘价以及收益率时序数据进行分解与重构,把非线性、非平稳的数据序列转换为线性且平稳的数据。处理后的数据作为长短时记忆神经网络(LSTM)的输入数据,对股票指数未来的收盘价和收益率进行预测分析。实证分析将趋势准确率作为模型的评价指标,以此反映模型对隔天收盘价和收益率涨跌的预测能力。结果显示,与无数据分解的模型相比较,采用了数据分解后的LSTM模型在趋势预测准确率上有显著的优化效果。

基于改进的支持向量回归机的金融时序预测

金融市场是一个复杂、演化、非线性的动态变化的系统.金融数据往往带有噪声,非平稳且时常是混沌的.本文基于时序数据的先验知识——近期数据对于预测未来走势提供了更多的信息,对于传统的支持向量机的回归模型做出了一定的改进,即对于近期的数据预测错误施以更严重的惩罚,构建了改进的支持向量回归机模型.使用该改进模型对中国股票市场指数时间序列进行了预测,结果显示,本文改进的模型较之传统的支持向量回归机模型和神经网络模型有较好的预测效果.

信号分解与融合神经网络的金融数据预测研究

针对目前特征+模型的预测方案在金融时序数据上预测精度不足的问题,提出一种基于变分模态分解的长短期记忆神经网络-因子分解机双通道融合模型.首先利用变分模态分解分解金融时序数据,得到能表现时序数据趋势和变化信息的模态,接着将模态信息输入到长短期记忆神经网络-因子分解机双通道融合模型中,长短期记忆神经网络得到数据的时序特征,因子分解机得到数据的交互特征,通过改进的局部连接层融合,使模型能同时表达数据的时序特征和交互特征,提升时序数据预测的效果.以沪深300指数和标普500指数的数据为例,对所提模型进行验证,结果表明其在预测性能和泛化性能上都有明显的优势.