典型文献
基于二次分解与LSTM的金融时间序列预测算法研究
文献摘要：
现有结合特征提取与预测模型的方法不能准确把握金融时间序列的混沌性与交互性,导致预测精度不高.针对此问题,提出一种基于二次分解与长短期记忆(long short term memory,LSTM)网络的金融时间序列预测算法.使用变分模态分解方法与集成经验模态分解方法依次解析金融时间序列数据,得到能表达数据混沌性特征的模态;将模态信息输入到融合有因子分解机(factorization machine,FM)的长短期记忆网络模型中,融合获取到的长记忆性特征与交互性特征,进而预测最终的结果;选取沪深300指数的历史数据作为实验数据集,通过多组对比实验验证算法的有效性.实验结果表明,提出的算法可以有效提升模型的预测能力,同时表达金融时间序列的混沌性、长记忆性、交互性.
文献关键词：
二次分解;金融时间序列;长短期记忆(LSTM)网络;因子分解机
中图分类号：
作者姓名：
程文辉;车文刚
作者机构：
昆明理工大学 信息工程与自动化学院,昆明650500
文献出处：
引用格式：
[1]程文辉;车文刚-.基于二次分解与LSTM的金融时间序列预测算法研究)[J].重庆邮电大学学报（自然科学版）,2022(04):638-645
A类：
B类：
二次分解,金融时间序列预测,预测算法,算法研究,混沌性,交互性,long,short,term,memory,变分模态分解,分解方法,集成经验模态分解,时间序列数据,模态信息,信息输入,因子分解机,factorization,machine,FM,长短期记忆网络模型,取到,长记忆性,记忆性特征,历史数据,预测能力
AB值：
0.268707
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
