В области прогнозирования цен на акции в многомерных временных рядах обычно существуют сложные взаимосвязи между несколькими переменными, которые подвержены влиянию различных факторов, что увеличивает сложность точного прогноза. Для решения этой задачи предложен инновационный метод смешанной предварительной обработки. Во-первых, с помощью эмпирического вейвлет-преобразования (EWT) одновременно извлекаются низкочастотные и высокочастотные компоненты временного ряда; затем вводятся динамическое временное выравнивание (DTW) и дифференциальное динамическое временное выравнивание (DDTW) для измерения сходства между различными компонентами, что эффективно позволяет выявлять связные шаблоны и сходства в временных рядах цен акций. В дальнейшем анализе применяется скользящее окно для обработки высокочастотных компонентов и проводится анализ главных компонентов, одновременно для низкочастотных компонентов выполняется прямой анализ главных компонентов. В конце эти методы применяются в нескольких моделях нейронных сетей для прогнозирования, что приводит к значительному улучшению производительности и точности прогнозов.

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