En el campo de la predicción del precio de las acciones, generalmente existen complejas interrelaciones entre múltiples variables en series temporales multivariantes, y estas están influenciadas por diversos factores, lo que aumenta la dificultad para una predicción precisa. Para afrontar este desafío, se propuso un método innovador de preprocesamiento híbrido. Primero, se utiliza la Transformada Wavelet Empírica (EWT) para extraer simultáneamente los componentes de baja y alta frecuencia de la serie temporal; luego, se introducen 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 del precio de las acciones. En un análisis posterior, se aplica una ventana deslizante para procesar los componentes de alta frecuencia y realizar un análisis de componentes principales, mientras que los componentes de baja frecuencia se analizan directamente mediante análisis de componentes principales. Finalmente, estos métodos se aplican a varios modelos de predicción con redes neuronales, encontrándose una mejora significativa en el rendimiento y la precisión de la predicción de los modelos.

predicción del precio de las acciones;transformada wavelet empírica;alineación dinámica de tiempo;análisis de componentes principales;redes neuronales