Dans le domaine de la prédiction des prix des actions, il existe généralement des relations complexes entre plusieurs variables dans les séries temporelles multivariées, influencées par divers facteurs, ce qui augmente la difficulté d’une prévision précise. Pour relever ce défi, une méthode innovante de prétraitement hybride a été proposée. Tout d’abord, la transformation en ondelettes empiriques (EWT) est utilisée pour extraire simultanément les composantes basse et haute fréquence de la série temporelle ; ensuite, la warping temporel dynamique (DTW) et la warping temporel différentiel dynamique (DDTW) sont introduites pour mesurer la similarité entre les différentes composantes, ce qui permet d’identifier efficacement les motifs de corrélation et de similarité dans la série temporelle des prix des actions. Dans une analyse plus approfondie, une fenêtre glissante est appliquée pour traiter les composantes à haute fréquence, associée à une analyse en composantes principales, tandis que l’analyse en composantes principales directe est effectuée sur les composantes à basse fréquence. Enfin, ces méthodes sont appliquées à plusieurs modèles de prédiction par réseaux de neurones, ce qui montre une amélioration significative des performances et de la précision des prévisions des modèles.

prédiction des prix des actions;transformation en ondelettes empiriques;warping temporel dynamique;analyse en composantes principales;réseaux de neurones