Im Bereich der Aktienkursprognose bestehen in multivariaten Zeitreihen häufig komplexe Wechselbeziehungen zwischen mehreren Variablen, die von verschiedenen Faktoren beeinflusst werden, was die Genauigkeit der Vorhersage erschwert. Um diese Herausforderung zu bewältigen, wurde eine innovative Methode zur hybriden Vorverarbeitung vorgeschlagen. Zunächst wird die empirische Wavelet-Transformation (EWT) verwendet, um gleichzeitig die niederfrequenten und hochfrequenten Komponenten der Zeitreihe zu extrahieren; anschließend werden dynamische Zeitwelligkeit (DTW) und differentielle dynamische Zeitwelligkeit (DDTW) eingeführt, um die Ähnlichkeit zwischen verschiedenen Komponenten zu messen, wodurch Muster und Ähnlichkeiten in Aktienkurszeitreihen effektiv erkannt werden. 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 angewendet wird. Schließlich werden diese Methoden auf mehrere neuronale Netzwerkprognosemodelle angewendet, wobei eine signifikante Verbesserung der Modellleistung und Prognosegenauigkeit festgestellt wurde.

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