典型文献
基于滑动窗口-变分模态分解的深度学习金融时序预测
文献摘要：
针对金融数据的时序特征,构造了滑动窗口-变分模态分解(SW-VMD)的数据处理方法,对股指收盘价以及收益率时序数据进行分解与重构,把非线性、非平稳的数据序列转换为线性且平稳的数据.处理后的数据作为长短时记忆神经网络(LSTM)的输入数据,对股票指数未来的收盘价和收益率进行预测分析.实证分析将趋势准确率作为模型的评价指标,以此反映模型对隔天收盘价和收益率涨跌的预测能力.结果显示,与无数据分解的模型相比较,采用了数据分解后的LSTM模型在趋势预测准确率上有显著的优化效果.
文献关键词：
滑动窗口;变分模态分解;长短时记忆神经网络;金融时序预测
中图分类号：
作者姓名：
江嘉华;徐鹏程;邓小毛
作者机构：
广东外语外贸大学数学与统计学院,广东广州510006
文献出处：
引用格式：
[1]江嘉华;徐鹏程;邓小毛-.基于滑动窗口-变分模态分解的深度学习金融时序预测)[J].电脑知识与技术,2022(34):14-18
A类：
B类：
滑动窗口,变分模态分解,金融时序预测,金融数据,时序特征,SW,VMD,数据处理方法,股指,收盘价,收益率,时序数据,分解与重构,非平稳,数据序列,序列转换,长短时记忆神经网络,输入数据,股票指数,预测分析,隔天,涨跌,预测能力,无数,数据分解,趋势预测,预测准确率,优化效果
AB值：
0.340512
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。
