典型文献
融合经验模态分解与线性Transformer的高频金融时间序列预测
文献摘要：
随着深度学习的发展,神经网络模型已被广泛应用于期货等金融资产价格序列预测研究工作中.当前的研究以低频数据为主,针对非线性、非平稳、高噪声的高频数据的预测准确率还有待提升.因此,提出CEEMDAN_Linformer模型,通过引入"分解-重构"方法,使用自适应噪声完全集成经验模态分解(CEEMDAN)方法对高频交易数据进行去噪预处理;通过引入时间戳进行特征融合,为输入编码提供了全局特征;使用线性Transformer提升模型的预测准确率,同时降低原始Transformer的复杂度,使其更适用于在当前的期货高频数据预测任务上.以贵金属期货品种——黄金期货、白银期货的5 min、1 h价格序列为例,实现了多步价格序列预测.实验对比了LSTM、CONVLSTM、TCN、Transformer四个基准模型,提出的模型在三个评价指标上均优于以上基准模型,取得了较好的预测效果.
文献关键词：
金融时间序列;经验模态分解;神经网络;深度学习;线性Transformer;高频数据;价格预测;期货
中图分类号：
作者姓名：
文馨贤
作者机构：
昆明理工大学 信息工程与自动化学院,云南 昆明 650500
文献出处：
引用格式：
[1]文馨贤-.融合经验模态分解与线性Transformer的高频金融时间序列预测)[J].现代电子技术,2022(23):121-126
A类：
Linformer,CONVLSTM
B类：
Transformer,金融时间序列预测,金融资产价格,预测研究,非平稳,高频数据,预测准确率,CEEMDAN,自适应噪声,完全集成经验模态分解,高频交易,交易数据,去噪,时间戳,特征融合,入编,全局特征,数据预测,贵金属期货,货品,黄金期货,白银,多步,实验对比,TCN,价格预测
AB值：
0.299251
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。
