基于深度经验模态分解的金融市场时序预测

摘要

cqvip:传统模型和单一模型无法实现时间序列预测的高精度需求,现有时间序列预测模型对一些数据不能做到较为精准的预测。融合经验模态分解(EMD)、主成分分析(PCA)以及长短期记忆网络(LSTM),提出一种深度经验模态分解模型EPL,并提出IEPL(interval EPL)模型进行实验优化。选取4类金融衍生品时间序列的数据集FTSE、S&P500、USD、BDI,以单一模型、传统模型、已有组合模型为对照进行实验。对比实验结果表明,EPL和IEPL在精确度方面表现更好,比现有研究的平均精度提高5%-7%。