В области прогнозирования цен акций часто наблюдаются сложные взаимосвязи между несколькими переменными в многомерных временных рядах, при этом влияние оказывают различные факторы, что увеличивает сложность точного прогнозирования. Для решения этой задачи была предложена инновационная методика гибридной предварительной обработки. Сначала с помощью эмпирического вейвлет-преобразования (EWT) одновременно выделяются низкочастотные и высокочастотные компоненты временного ряда; затем вводятся динамическое выравнивание времени (DTW) и дифференцированное динамическое выравнивание времени (DDTW) для измерения схожести между разными компонентами, что позволяет эффективно выявлять связанные модели и схожести в временных рядах цен акций. В дальнейшем анализе применяется скользящее окно для обработки высокочастотных компонентов и анализ главных компонент, одновременно с непосредственным анализом главных компонент для низкочастотных компонентов. Наконец, эти методы применяются в нескольких моделях прогнозирования на основе нейронных сетей, при этом наблюдается значительное улучшение производительности и точности прогнозов моделей.

прогнозирование цен акций;эмпирическое вейвлет-преобразование;динамическое выравнивание времени;анализ главных компонент;нейронные сети