《表5 不同预测建模方法的评估结果》

  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

《基于长短记忆网络的指数量化择时研究》

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

参照上文阐述的LSTM预测建模过程，建立指数的LSTM滚动预测模型。在建模过程中涉及的网络结构及超参数设定方面与上文所述子序列LSTM模型保持一致。进一步，分别将MLP、SVR与CEEMDAN自适应分解功能相结合，构建预测模型CEEMDAN-MLP、CEEMDAN-SVR，且均采用随机参数优化方法进行参数寻优。图9展示了C-LSTM及上述5种对比方法对前100个预测区间内指数值的预测结果，可观察到，相对于指数真实值，通过对比方法MLP、SVR与LSTM获得的指数预测曲线都在不同程度上右偏，即存在预测滞后性问题。相应地，这6种建模方法的多指标评估结果如表5所示。C-LSTM在R2和EVS指标上值最大，而在RMSE和MAE上取值最小，证实C-LSTM是一种更高精度的股市指数预测方法。