基于VMD和Attention-LSTM的金融时间序列预测

摘要

针对金融时间序列的非线性、非平稳、信噪比低不易分离和长依赖等特性,本文提出了基于变分模态分解(VMD)的Attention-LSTM模型,以LSTM为基础,加入Attention机制来凸显重要模态对原始序列的影响力,从而建立一个更加有效的金融时间序列预测模型.本文首先分别对比使用普通特征预测、VMD分解后单独预测再整合和VMD分解后直接用作特征进行综合预测三种方法.对比预测结果,选取最有效的特征提取方案.然后将最优特征输入至Attention-LSTM模型中.依据沪深300指数和标普500指数交易数据,与传统方法和其他机器学习方法预测结果分析比较得出,本文提出的VMD-Attention-LSTM模型对金融时间序列预测中具有更佳的预测精度和性能.