基于改进VMD和RBF的股票预测研究

为解决股票价格预测问题,运用混沌理论对股票市场进行非线性分析,将互信息改进的变分模态分解与神经网络结合,提出MVMD-RBF价格预测模型。选择上证指数和沪深300每日收盘价作为研究对象进行LASSO变量筛选,相空间重构,最后进行混合模型预测,并选择BP、DNN、RBF、VMD-RBF四个模型进行对比分析。结果显示,MVMD-RBF预测效果优于其他模型,这证明MVMD-RBF模型对预测混沌的股票数据具有良好的效果。