[发明专利]一种基于CEEMDAN的金融时间序列组合预测方法

摘要

本发明公开了一种基于适应性噪声的完全集合经验模态分解(CEEMDAN)的金融时间序列组合预测方法。该发明首先通过CEEMDAN将金融时间序列分解成本征模函数(IMF)子序列和余项。而后将长期短期记忆(LSTM)与支持向量回归(SVR)组合构建预测模型分别用于预测IMF子序列和余项。最后，将各个预测序列重构得到预测结果。实验结果表明，与单LSTM模型，SVR模型，多层感知器(MLP)模型和其他混合模型相比，该预测模型在金融时间序列的短期预测中表现出更好的性能，解决了现有金融时间序列预测方法过程繁琐，难以对非线性和非稳定性金融数据进行直接预测及预测准确率低的问题。

主权项

1.一种基于适应性噪声的完全集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN）的金融时间序列组合预测方法，其步骤包括：步骤1：通过经验模态分解算法，将原始的金融时间序列分解为若干个IMF子序列 和一个余项，再将所有子序列和余项分为测试集和训练集；步骤2：构建金融时间序列预测模型，训练得到最优的网络参数，再将测试集数据输入到训练好的网络中，保存测试集的预测结果；步骤3：将得到的各个IMF分量和余项的预测序列相加重构得到最终的预测结果；其特征在于利用 CEEMDAN算法分解非平稳非线性的金融时间序列，而后将长期短期记忆（Long Short‑Term Memory , LSTM）与支持向量回归（Support Vector Regression, SVR）组合构建预测模型分别用于预测前一步分解得到的本征模函数(Intrinsic Mode Function, IMF)子序列和余项。