Dans le domaine de la prévision des prix des actions, il existe souvent des relations complexes entre plusieurs variables dans les séries temporelles multivariées, influencées par divers facteurs, ce qui complique la 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 des séries temporelles ; ensuite, la warping temporelle dynamique (DTW) et la warping temporelle dynamique différentielle (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 l’analyse ultérieure, une fenêtre glissante est utilisée pour traiter les composantes haute fréquence et une analyse en composantes principales est effectuée, tandis qu’une analyse en composantes principales directe est appliquée aux composantes basse fréquence. Enfin, ces méthodes sont appliquées à plusieurs modèles de réseaux neuronaux pour la prévision, montrant une amélioration significative des performances et de la précision des modèles.

prévision des prix des actions;transformation en ondelettes empiriques;warping temporelle dynamique;analyse en composantes principales;réseaux neuronaux