《表3 不同IMF组合方式下高频预测模型的评估结果》

  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

上文中高频分量由IMF1—IMF4加和构成，他们一方面描述了股市指数复杂波动模式，但也同时包含了不同比例的噪声，应予以剔除以降低高频分量预测建模的难度，同时提升其预测准确度。股票市场广泛存在的短期投机性以及噪声交易使得IMF1—IMF4中频率更高的IMF1、IMF2包含的噪声成分更多，相应地，IMF3和IMF4则包含更多的信息成分。因此，对组成高频分量的IMF进行优化时优先保留IMF3和IMF4，获得表3所示四种候选的IMF组合方式。进一步，采用四种评价指标对各种IMF组合方式的预测效果进行量化评估，结果表明：仅由IMF2—IMF4加和构成高频分量的方式预测效果最好，大幅改善了优化前按“1+2+3+4”方式构成高频分量的预测效果，其中R2、EVS、RMSE和MAE分别提升116.3%、113.1%、47.6%和45.4%。图7为最优组合方式“2+3+4”下高频分量的LSTM滚动预测结果，明显改善了图7的预测滞后性。