基于滑动窗口和变分模态分解的深度学习金融时间序列预测
机器学习
2025-08-22 v2
摘要
为解决金融时间序列的复杂性，本文提出一种结合滑动窗口和变分模态分解（VMD）方法的预测模型。使用历史股价和相关市场指标构建数据集。VMD将非平稳金融时间序列分解为更平滑的子组件，从而提高模型的适应性。将分解后的数据输入深度学习模型进行预测。该研究比较了在VMD处理的序列上训练的LSTM模型与使用原始时间序列的预测效果，结果显示后者在性能和稳定性方面更优。
引用
@article{arxiv.2508.12565,
title = {Deep Learning-Based Financial Time Series Forecasting via Sliding Window and Variational Mode Decomposition},
author = {Luke Li},
journal= {arXiv preprint arXiv:2508.12565},
year = {2025}
}