基于混合CEEMDAN-IGOA-TCN-iTransformer框架的多元股票价格预测研究

《Symmetry》:Multivariate Stock Price Prediction Using a CEEMDAN–IGOA–TCN–iTransformer Hybrid Framework

【字体: 大 中 小 】 时间:2026年10月22日 来源:Symmetry 2.2

编辑推荐:

   **摘要** 金融时间序列具有高波动性、非平稳性、非线性动态特性以及多尺度波动特征,这些特性给准确的股票价格预测带来了重大挑战。在多元金融预测中,金融变量在不同时间尺度的时间波动和结构依赖关系上可能表现出对称与非对称特性。理解这些特性与金融时间序列的对称性与非对称性分析密切

  **摘要**金融时间序列具有高波动性、非平稳性、非线性动态特性以及多尺度波动特征,这些特性给准确的股票价格预测带来了重大挑战。在多元金融预测中,金融变量在不同时间尺度的时间波动和结构依赖关系上可能表现出对称与非对称特性。理解这些特性与金融时间序列的对称性与非对称性分析密切相关。因此,对多尺度时间模式和变量间依赖关系进行建模,对于提升预测性能具有重要意义。为应对上述挑战,本研究提出了一种面向多元股票价格预测的混合 CEEMDAN–IGOA–TCN–iTransformer 框架。首先,采用自适应噪声完备集合经验模态分解(CEEMDAN),将金融时间序列分解为固有模态函数和残差分量,以便进行多尺度特征提取。其次,采用基于种群的超参数优化流程,根据验证集表现选择模型的关键超参数。第三,构建 TCN–iTransformer 架构,其中时间卷积网络(TCN)负责提取局部时间特征和多尺度模式,而 iTransformer 则通过其倒置注意力机制建模金融输入变量之间的依赖关系。最后,将提取的特征进行集成,生成预测的股票收盘价。本研究在三个中国 A 股股票数据集上进行了实验,分别代表中国平安保险、京东方科技集团和安凯微(Arcplus)集团。所提框架在测试集上取得的 RMSE 值分别为 0.8987、0.0656 和 0.6717,三个数据集的 RMSE 算术平均值为 0.5453。本研究通过对比实验和消融研究评估了该框架的预测性能及各组成部分的贡献。研究发现,在所调查的实验条件下,该方法能够提供准确的一步向前收盘价预测,但其性能和泛化能力仍取决于所评估数据集的特征。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号