En el campo de la predicción de precios de acciones, a menudo existen complejas interrelaciones entre múltiples variables en series temporales multivariadas, influenciadas por diversos factores, lo que aumenta la dificultad de una predicción precisa. Para abordar este desafío, se propuso un método innovador de preprocesamiento híbrido. Primero, se utiliza la transformada en wavelets empíricas (EWT) para extraer simultáneamente los componentes de baja y alta frecuencia de las series temporales; luego se introducen el alineamiento dinámico temporal (DTW) y el alineamiento dinámico temporal diferencial (DDTW) para medir la similitud entre los diferentes componentes, lo que permite identificar eficazmente los patrones de correlación y similitud en las series temporales de precios de acciones. En un análisis posterior, se utiliza una ventana deslizante para procesar los componentes de alta frecuencia y realizar un análisis de componentes principales, mientras que se realiza un análisis directo de componentes principales en los componentes de baja frecuencia. Finalmente, estos métodos se aplicaron a varios modelos de predicción de redes neuronales, encontrándose una mejora significativa en el rendimiento del modelo y la precisión de la predicción.

predicción de precios de acciones;transformada en wavelets empíricas;alineamiento dinámico temporal;análisis de componentes principales;redes neuronales