一种新颖的决策集成框架：定制化Attention-BiLSTM和XGBoost用于投机性股票价格预测

预测投机性股票价格对于有效的投资风险管理至关重要，这推动了创新算法的开发。然而，金融市场中的投机性、波动性和复杂的序列依赖性带来了固有的挑战，需要先进的技术。本文提出了一种新颖的框架CAB-XDE（定制化注意力BiLSTM-XGB决策集成），用于预测投机性股票Bitcoin-USD（BTC-USD）的每日收盘价。CAB-XDE框架集成了定制化的双向长短期记忆网络（BiLSTM）与注意力机制以及XGBoost算法。定制化BiLSTM利用其学习能力捕捉复杂的序列依赖性和投机性市场趋势。此外，新的注意力机制动态地为有影响力的特征分配权重，从而增强可解释性，并优化有效的成本度量和波动率预测。此外，XGBoost处理非线性关系，并有助于所提出的CAB-XDE框架的鲁棒性。另外，权重确定理论——误差倒数方法进一步细化了预测。这是通过迭代调整模型权重实现的，基于单个定制化注意力BiLSTM和XGBoost模型中理论期望与实际误差之间的差异来提升性能。最后，来自XGBoost和定制化注意力BiLSTM模型的预测被拼接起来以实现多样化的预测空间，并提供给集成分类器以增强CAB-XDE的泛化能力。所提出的CAB-XDE框架在来自Yahoo Finance的波动性比特币市场上进行了实证验证，并以MAPE 0.0037、MAE 84.40和RMSE 106.14的性能优于最先进的模型。