《表1(b)标普500指数模型预测结果对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《信号分解与融合神经网络的金融数据预测研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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．