Im Bereich der Aktienkursprognose bestehen oft komplexe Wechselwirkungen zwischen mehreren Variablen in multivariaten Zeitreihen, die von verschiedenen Faktoren beeinflusst werden, was die Genauigkeit der Vorhersage erschwert. Um diese Herausforderung zu meistern, wurde eine innovative Methode der hybriden Vorverarbeitung vorgeschlagen. Zunächst wird die Empirische Wavelet-Transformation (EWT) verwendet, um gleichzeitig die niederfrequenten und hochfrequenten Komponenten der Zeitreihe zu extrahieren; anschließend werden Dynamic Time Warping (DTW) und Differentielles Dynamic Time Warping (DDTW) eingeführt, um die Ähnlichkeit zwischen verschiedenen Komponenten zu messen und so effizient die Korrelationsmuster und Ähnlichkeiten in der Aktienkurs-Zeitreihe zu identifizieren. In der weiteren Analyse wird ein gleitendes Fenster zur Verarbeitung der hochfrequenten Komponenten verwendet und eine Hauptkomponentenanalyse durchgeführt, während für die niederfrequenten Komponenten eine direkte Hauptkomponentenanalyse angewandt wird. Schließlich werden diese Methoden auf mehrere neuronale Netzvorhersagemodelle angewandt, wobei eine signifikante Verbesserung der Modellleistung und Vorhersagegenauigkeit festgestellt wurde.

Aktienkursprognose;Empirische Wavelet-Transformation;Dynamic Time Warping;Hauptkomponentenanalyse;Neuronale Netzwerke