论文部分内容阅读
提出将金融时间序列数据的序列依赖关系以及不同金融市场时间序列数据的局部关联特征纳入同一模型,构建结合卷积神经网络(CNN)以及门控循环单元(GRU)神经网络优势的CNN-GRU神经网络。同时,采用集成经验模态分解和游程判定法,将金融时间序列数据分解与重构为趋势项、低频项和高频项,以构建基于不同频率、不同波动的金融时间序列数据预测模型,继而对不同分量的预测结果集成以得到最终预测结果。实证结果表明,在直接预测中,CNN-GRU神经网络的预测精度高于只考虑序列依赖关系的GRU神经网络和只考虑局部关联特征的CNN