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 bewältigen, wurde eine innovative hybride Vorverarbeitungstechnik vorgeschlagen. Zunächst wird die empirische Wavelet-Transformation (EWT) verwendet, um gleichzeitig niederfrequente und hochfrequente Komponenten der Zeitreihen zu extrahieren; anschließend werden dynamische Zeitumordnung (DTW) und differentielle dynamische Zeitumordnung (DDTW) eingeführt, um die Ähnlichkeit zwischen verschiedenen Komponenten zu messen, wodurch effektiv Korrelationsmuster und Ähnlichkeiten in den Aktienkurs-Zeitreihen identifiziert werden können. In einer weiteren Analyse werden gleitende Fenster verwendet, um hochfrequente Komponenten zu bearbeiten und eine Hauptkomponentenanalyse durchzuführen, während gleichzeitig eine direkte Hauptkomponentenanalyse der niederfrequenten Komponenten erfolgt. Schließlich wurden diese Methoden auf mehrere neuronale Netzwerk-Prognosemodelle angewandt, wobei eine signifikante Verbesserung der Modellleistung und Prognosegenauigkeit festgestellt wurde.

Aktienkursprognose;empirische Wavelet-Transformation;dynamische Zeitumordnung;Hauptkomponentenanalyse;Neuronale Netzwerke