En el campo de la predicción de precios de acciones, existen a menudo relaciones complejas entre múltiples variables en series temporales multivariadas, que están influenciadas por diversos factores, lo que aumenta la dificultad de realizar predicciones precisas. Para enfrentar este desafío, se propuso un método innovador de preprocesamiento híbrido. Primero, se utilizó la Transformada Empírica Wavelet (EWT) para extraer simultáneamente los componentes de baja y alta frecuencia de la serie temporal; luego, se introdujeron la Alineación Dinámica de Tiempo (DTW) y la Alineación Dinámica de Tiempo Diferencial (DDTW) para medir la similitud entre diferentes componentes, identificando eficazmente los patrones de correlación y similitud en la serie temporal de precios de acciones. En análisis posteriores, se utilizó una ventana deslizante para procesar los componentes de alta frecuencia y se realizó un análisis de componentes principales, mientras que para los componentes de baja frecuencia se aplicó un análisis de componentes principales directo. Finalmente, estos métodos se aplicaron a múltiples modelos de redes neuronales predictivas, demostrando mejoras significativas en el rendimiento del modelo y la precisión de las predicciones.

predicción de precios de acciones;Transformada Empírica Wavelet;alineación dinámica de tiempo;análisis de componentes principales;redes neuronales