В области прогнозирования цен на акции часто существуют сложные взаимосвязи между множественными переменными в многомерных временных рядах, которые подвергаются влиянию различных факторов, что усложняет точное прогнозирование. Для решения этой задачи предложен инновационный метод гибридной предварительной обработки. Во-первых, с помощью эмпирического вейвлет-преобразования (EWT) одновременно выделяются низкочастотные и высокочастотные компоненты временных рядов; затем введены динамическое выравнивание времени (DTW) и дифференциальное динамическое выравнивание времени (DDTW) для измерения сходства между разными компонентами, что эффективно позволяет выявлять связанные шаблоны и сходства в временных рядах цен на акции. В дальнейшем анализе используется скользящее окно для обработки высокочастотных компонентов и выполнение главного компонентного анализа, одновременно с прямым применением главного компонентного анализа к низкочастотным компонентам. В конце эти методы были применены к нескольким моделям прогнозирования на основе нейронных сетей, что показало значительное улучшение производительности модели и точности прогнозирования.

прогнозирование цен на акции;эмпирическое вейвлет-преобразование;динамическое выравнивание времени;анализ главных компонентов;нейронные сети