Dans le domaine de la prévision des prix des actions, il existe souvent des relations complexes entre plusieurs variables dans les séries temporelles multivariées, tout en étant 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 transformée en ondelettes empiriques (EWT) est utilisée pour extraire simultanément les composantes basse et haute fréquence des séries temporelles ; ensuite, les techniques de Warping temporel dynamique (DTW) et de Warping temporel dynamique différentiel (DDTW) sont introduites pour mesurer la similarité entre les différentes composantes, permettant ainsi d'identifier efficacement les motifs de corrélation et de similarité dans les séries temporelles des prix des actions. Dans une analyse ultérieure, une fenêtre glissante est utilisée pour traiter les composantes haute fréquence, suivie d'une analyse en composantes principales, tandis qu'une analyse en composantes principales directe est effectuée sur les composantes basse fréquence. Enfin, ces méthodes ont été appliquées à plusieurs modèles de prédiction par réseaux neuronaux, où les performances du modèle et la précision des prévisions ont été considérablement améliorées.

prévision des prix des actions;transformée en ondelettes empiriques;warping temporel dynamique;analyse en composantes principales;réseaux neuronaux