基于经验模态分解与高斯混合模型的资产价格走势预测
统计方法学
2025-03-27 v1 机器学习
摘要
我们研究了将经验模态分解（EMD）与高斯混合模型（GMM）、特征工程和机器学习算法结合用于优化交易决策的方法。我们分别使用 GameStop、Tesla 和 XRP（瑞波）市场的五年、两年和一年的每小时蜡烛数据。对每个市场应用 15 小时滚动窗口，收集基于线性模型和其他经典特征的多个特征来预测下一小时的走势。随后，使用 GMM 滤波方法在这些市场之间识别聚类。对于每个聚类，应用 EMD 算法从每个收集的特征中提取高、中、低和趋势分量。应用简单的阈值算法基于每个市场收盘价的 percentage change 对市场走势进行分类。我们随后评估了各种机器学习模型，包括随机森林（RF）和 XGBoost，在分类市场走势方面的性能。将 naive random selection 作为基准，假设每个结果的概率相等，并使用时间序列交叉验证方法在数据集的 40%、30% 和 20% 上测试模型。我们的结果表明，对选定特征应用 EMD 变换可提升性能，特别是对于像随机森林和 XGBoost 这样的集成学习算法，测量指标为累积利润。最终，GMM 滤波扩展了超过随机基准最高百分位的学习算法和数据源组合的范围。
引用
@article{arxiv.2503.20678,
title = {Asset price movement prediction using empirical mode decomposition and Gaussian mixture models},
author = {Gabriel R. Palma and Mariusz Skoczeń and Phil Maguire},
journal= {arXiv preprint arXiv:2503.20678},
year = {2025}
}
备注
21 pages