一种基于改进经验模态分解与A-LSTM混合神经网络的股价预测方法

摘要

由于股价序列存在非线性、多噪声的特点，股票价格预测一直是一项具有挑战性的任务，许多研究采用分解算法来提高预测精度，但仅仅关注了克服股价非线性的问题，没有考虑其他价格因素.为了解决上述问题，提出一种基于改进经验模态分解与A-LSTM(Long Short-Term Memory)混合神经网络的股价预测方法，在引入多个数据指标的基础上，结合互补集合经验模态分解算法与注意力增强的LSTM来预测股价.首先，利用互补集合经验模态分解方法来分解股票原始收盘价，得到多个本征模态函数（Intrinsic Mode Functions,IMFs）和一个趋势项，可以在降低股价非线性的同时，提取IMF的多尺度特征；其次，将得到的IMF、趋势项及最高价、最低价和收盘价一同输入注意力增强的LSTM，学习多个股票影响因子并挖掘其特征信息；最后，利用注意力增强的LSTM来学习特征中的长期依赖关系和动态调整输入特征的权重，突出关键信息，输出预测结果 .在两个股市的四只股票数据集上的实验结果显示，该方法的效果优于基准模型，具有良好的准确性与稳定性，可以为金融市场分析和投资决策提供一定的支持.

关键词

互补集合经验模态分解 / 多特征提取 / LSTM / 注意力机制 / 股价预测