基于变分模态分解、PatchTST 与自适应尺度加权层的股价增强预测
机器学习
2024-08-30 v1 信号处理
摘要
近年来股指的显著波动凸显了准确预测以指导投资和金融策略的关键需求。本研究提出了一种新颖的复合预测框架，该框架整合了变分模态分解（VMD）、PatchTST 和自适应尺度加权层（ASWL）以应对这些挑战。利用 2000 年至 2024 年四个主要股指（SP500、DJI、SSEC 和 FTSE）的数据集，所提方法首先使用 VMD 将原始价格序列分解为固有模态函数（IMF）。随后，每个 IMF 通过 PatchTST 建模以有效捕捉时间模式。应用 ASWL 模块以整合尺度信息，提升预测精度。最终预测通过对所有 IMF 的预测进行聚合得出。与传统模型相比，VMD-PatchTST-ASWL 框架在预测精度上表现出显著提升，并在不同指数上展现出稳健性能。这一创新方法为股指价格预测提供了有力工具，在各类金融分析和投资决策场景中具有潜在应用价值。
关键词
引用
@article{arxiv.2408.16707,
title = {Enhanced forecasting of stock prices based on variational mode decomposition, PatchTST, and adaptive scale-weighted layer},
author = {Xiaorui Xue and Shaofang Li and Xiaonan Wang},
journal= {arXiv preprint arXiv:2408.16707},
year = {2024}
}