《表1(b)标普500指数模型预测结果对比》
学术界目前有不少使用VMD分解后的IMF分量做特征的模型,但是目前大多数模型均是直接将IMF分量投入到改进的模型中运用,没有考虑到各个IMF分量间的交互作用.为了获得IMF分量间的交互信息,本文在模型中引入了因子分解机,通过因子分解机获得IMF分量的交互特征,并将其和LSTM获得的时序特征通过双通道神经网络融合到一起.针对传统的拼接和按区域相加融合方案的不足,本文提出了使用改进的局部连接层进行融合的新方案,使模型能更有效的同时表达数据的时序特征和交互特征,优化模型的预测效果.从预测结果上来看,本文提出的局部连接层融合方案VM D-LSTM-FM在两个市场上的表现均好于特征拼接方案(VMD-C-LSTM-FM)和直接按区域相加方案(VMD-A-LSTM-FM).RM SE平均比VM D-C-LSTM-FM低28.6%,平均比VMD-A-LSTM-FM低44.32%;MAE平均比VMD-C-LSTM-FM低42.22%平均比VM D-A-LSTM-FM低53.22%;R2平均比VMD-C-LSTM-FM高2.54%,平均比VMD-A-LSTM-FM高6.09%;DA平均比VM D-C-LSTM-FM高4.68%,平均比VM D-A-LSTM-FM高7.23%.预测性能有明显提升.
图表编号 | XD00175963200 严禁用于非法目的 |
---|---|
绘制时间 | 2020.06.01 |
作者 | 金丰、邵清 |
绘制单位 | 上海理工大学光电信息与计算机工程学院、上海理工大学光电信息与计算机工程学院 |
更多格式 | 高清、无水印(增值服务) |