基于信号分解降噪的CNNBiLSTM金融市场趋势预测

文档名：基于信号分解降噪的CNNBiLSTM金融市场趋势预测
摘要：随着金融时间序列数据日趋复杂,如何捕捉金融数据未来多天的趋势变化成了难题.针对该问题提出了基于信号分解降噪和注意力机制的CNN-BiLSTM金融市场趋势预测模型(attention-basedDWT-VMD-CBiLSTM).首先利用离散小波变换(DWT)对原始金融股指序列进行降噪处理,然后利用变分模态分解(VMD)对降噪后的数据进一步分解为若干子序列.再结合多元基本面特征,利用基于注意力机制的CBiLSTM网络模型对各子序列进行多步预测,最后将各预测结果相加得到最终结果,实现较为长期的趋势预测.为证明所提出的模型性能,在不同金融股指数据集上与不同模型进行了实验比较.结果表明,提出的模型预测精度优于其他方法,在平均绝对误差(MAE)和平均百分比误差(MAPE)上分别达到12.28、0.39和80.27、0.71,在可决系数(R2)和可释方差值(EVS)上达到72％、74％和79％、69％的拟合度.

作者：戴宇睿  安俊秀  李焯炜Author：DAIYurui  ANJunxiu  LIZhuowei
作者单位：成都信息工程大学软件工程学院,四川成都610225
刊名：成都信息工程大学学报 ISTIC
Journal：JournalofChengduUniversityOfInformationTechnology
年，卷(期)：2023, 38(1)
分类号：TP391.1
关键词：金融时间序列预测  离散小波变换  变分模态分解  CNN  双向LSTM  
机标分类号：TP391U664.81TP183
在线出版日期：2023年3月14日
基金项目：国家自然科学基金基于信号分解降噪的CNN-BiLSTM金融市场趋势预测[
期刊论文]  成都信息工程大学学报--2023, 38(1)戴宇睿  安俊秀  李焯炜随着金融时间序列数据日趋复杂,如何捕捉金融数据未来多天的趋势变化成了难题.针对该问题提出了基于信号分解降噪和注意力机制的CNN-BiLSTM金融市场趋势预测模型(attention-basedDWT-VMD-CBiLSTM).首先利用离散小波变换...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文

        基于信号分解降噪的CNN-BiLSTM金融市场趋势预测  CNN-BiLSTM Financial Market Trend Prediction based on Signal Decomposition and Noise Reduction

基于信号分解降噪的CNN-BiLSTM金融市场趋势预测.pdf

2024-12-14 11:38 上传 基于信号分解降噪的CNNBiLSTM金融市场趋势预测.pdf

文件大小:

4.62 MB

下载次数:

60

高速下载