基于混合预处理神经网络模型的股价预测

李建磊; 石伟康

doi:10.11714/acta.snus.ZR20240010

您当前的位置：

首页 >

文章列表页 >

基于混合预处理神经网络模型的股价预测

研究论文 | 更新时间：2026-05-22

- 基于混合预处理神经网络模型的股价预测
- Stock price prediction based on hybrid preprocessing neural network model
- 中山大学学报(自然科学版)(中英文) 2026年65卷第3期页码：135-143
- 作者机构：
  
  华北水利水电大学数学与统计学院，河南郑州 450046
- 作者简介：
  
  李建磊（1982年生）男；研究方向：数据分析预处理技术；E-mail： lijianlei@ncwu.edu.cn
  石伟康（1997年生）男；研究方向：小波分析预处理技术；E-mail：2422074736@qq.com
- 基金信息：
  
  河南省自然科学基金(232300421143);河南省高等学校重点科研项目计划基础研究(25ZX013)
- DOI：10.11714/acta.snus.ZR20240010
  中图分类号： TP183
- 收稿：2024-01-05，
  
  修回：2025-11-15，
  
  录用：2025-11-15，
  
  网络首发：2026-03-11，
  
  纸质出版：2026-05-25
- 稿件说明：
移动端阅览
李建磊,石伟康.基于混合预处理神经网络模型的股价预测[J].中山大学学报(自然科学版)(中英文),2026,65(03):135-143.

LI Jianlei,SHI Weikang.Stock price prediction based on hybrid preprocessing neural network model[J].Acta Scientiarum Naturalium Universitatis Sunyatseni,2026,65(03):135-143.
李建磊,石伟康.基于混合预处理神经网络模型的股价预测[J].中山大学学报(自然科学版)(中英文),2026,65(03):135-143. DOI： 10.11714/acta.snus.ZR20240010.

LI Jianlei,SHI Weikang.Stock price prediction based on hybrid preprocessing neural network model[J].Acta Scientiarum Naturalium Universitatis Sunyatseni,2026,65(03):135-143. DOI： 10.11714/acta.snus.ZR20240010.

摘要

在股价预测领域，多元时间序列中通常存在多个变量之间的复杂相互关联，同时受到多种因素的影响，这增加了准确预测的难度. 为了应对这一挑战，提出了一种创新的混合预处理技术方法. 首先，利用经验小波变换（EWT）同时提取时间序列的低频和高频成分；接着，引入了动态时间规整（DTW）和差分动态时间规整（DDTW）来度量不同分量之间的相似性，从而有效地识别了股价时间序列中的关联模式和相似性.在进一步的分析中，采用滑动窗口处理高频分量，并进行主成分分析，同时对低频分量进行直接主成分分析. 最后，将这些方法应用于多个神经网络预测模型中，发现模型的性能和预测精度都有显著提升.

Abstract

In the field of stock price prediction， there often exists complex interrelationships among multiple variables in multivariate time series， simultaneously influenced by various factors， which increases the difficulty of accurate prediction. To address this challenge， we propose an innovative hybrid preprocessing technique. Firstly， we utilize Empirical Wavelet Transform （EWT） to simultaneously extract the low-frequency and high-frequency components of time series. Subsequently， we introduce Dynamic Time Warping （DTW） and Differential Dynamic Time Warping （DDTW） to measure the similarity between different components， effectively identifying correlated patterns and similarities in stock price time series. In further analysis， we employ a sliding window approach for high-frequency components and conduct Principal Component Analysis （PCA）， while directly applying PCA to low-frequency components. Finally， we apply these methods to multiple neural network prediction models and observe significant improvements in model performance and prediction accuracy.

关键词

Keywords

references

崔明建，孙元章，柯德平，等， 2014 . 基于原子稀疏分解理论的短期风电功率滑动预测［J］. 电力自动化设备， 34 （ 1 ）： 120 - 127 .

李海林，梁叶，王少春， 2018 . 时间序列数据挖掘中的动态时间弯曲研究综述［J］. 控制与决策， 33 （ 8 ）： 1345 - 1353 .

王东庆，周建华，伏云发， 2023 . EWT算法在单通道脑电信号眼电伪迹自动去除中的研究［J］. 电子测量与仪器学报， 37 （ 2 ）： 121 - 129 .

AMPOUNTOLAS A ， 2019 . Forecasting hotel demand uncertainty using time series Bayesian VAR models ［J］. Tour Econ ， 25 （ 5 ）： 734 - 756 .

ANDREESKI C ， MECHKAROSKA D ， 2020 . Modelling， forecasting and testing decisions for seasonal time series in tourism ［J］. Acta Polytech Hung ， 17 （ 10 ）： 149 - 171 .

CHEONG C W ， 2009 . Modeling and forecasting crude oil markets using ARCH-type models ［J］. Energy Policy ， 37 （ 6 ）： 2346 - 2355 .

DENG Y ， WANG B F ， LU Z M ， 2020 . A hybrid model based on data preprocessing strategy and error correction system for wind speed forecasting ［J］. Energy Convers Manag ， 212 ： 112779 .

EDIGER V Ş ， AKAR S ， 2007 . ARIMA forecasting of primary energy demand by fuel in Turkey ［J］. Energy Policy ， 35 （ 3 ）： 1701 - 1708 .

EGRIOGLU E ， BAS E ， 2023 . A new hybrid recurrent artificial neural network for time series forecasting ［J］. Neural Comput Appl ， 35 ： 2855 - 2865 .

FARID A B ， FATHY E M ， SHARAF ELDIN A ， et al ， 2021 . Software defect prediction using hybrid model （CBIL） of convolutional neural network （CNN） and bidirectional long short-term memory （Bi-LSTM）［J］. PeerJ Comput Sci ， 7 ： e739 .

FIJANI E ， BARZEGAR R ， DEO R ， et al ， 2019 . Design and implementation of a hybrid model based on two-layer decomposition method coupled with extreme learning machines to support real-time environmental monitoring of water quality parameters ［J］. Sci Total Environ ， 648 ： 839 - 853 .

GARCIA R C ， CONTRERAS J ， van AKKEREN M ， et al ， 2005 . A GARCH forecasting model to predict day-ahead electricity prices ［J］. IEEE Trans Power Syst ， 20 （ 2 ）： 867 - 874 .

JAIN B J ， 2019 . Making the dynamic time warping distance warping-invariant ［J］. Pattern Recognit ， 94 ： 35 - 52 .

KRITHIKAIVASAN B ， ZENG Y ， DEKA K ， et al ， 2007 . ARCH-based traffic forecasting and dynamic bandwidth provisioning for periodically measured nonstationary traffic ［J］. IEEE/ACM Trans Netw ， 15 （ 3 ）： 683 - 696 .

KUMAR U ， JAIN V K ， 2010 . ARIMA forecasting of ambient air pollutants （O 3 ， NO， NO 2 and CO）［J］. Stoch Environ Res Risk Assess ， 24 （ 5 ）： 751 - 760 .

LEI C ， RAN L ， 2008 . Short-term wind speed forecasting model for wind farm based on wavelet decomposition ［C］// 2008 Third International Conference on Electric Utility Deregulation and Restructuring and Power Technologies ： 2525 - 2529 .

LI X H ， 2022 . Application of neural networks in financial time series forecasting models ［J］. J Funct Spaces ， 2022： 7817264 .

LIN L ， JIANG Y ， XIAO H L ， et al ， 2020 . Crude oil price forecasting based on a novel hybrid long memory GARCH-M and wavelet analysis model ［J］. Phys A Stat Mech Appl ， 543 ： 123532 .

LIU J ， TANG X H ， GUAN X ， 2023 . Grain protein function prediction based on self-attention mechanism and bidirectional LSTM ［J］. Brief Bioinform ， 24 （ 1 ）： bbac493 .

MI X W ， LIU H ， LI Y F ， 2019 . Wind speed prediction model using singular spectrum analysis， empirical mode decomposition and convolutional support vector machine ［J］. Energy Convers Manag ， 180 ： 196 - 205 .

NAIK J ， DASH S ， DASH P K ， et al ， 2018 . Short term wind power forecasting using hybrid variational mode decomposition and multi-kernel regularized pseudo inverse neural network ［J］. Renew Energy ， 118 ： 180 - 212 .

NEDAIVODA I V ， PRIMIN M A ， MASLENNIKOV Y V ， 2019 . Algorithm for analysis of magnetocardiac signals： The principal component method ［J］. J Commun Technol Electron ， 64 ： 1414 - 1421 .

PEGALAJAR M C ， RUIZ L G B ， 2022 . Time series forecasting for energy consumption ［J］. Energies ， 15 （ 3 ）： 773 .

QIAN Z ， PEI Y ， ZAREIPOUR H ， et al ， 2019 . A review and discussion of decomposition-based hybrid models for wind energy forecasting applications ［J］. Appl Energy ， 235 ： 939 - 953 .

QUILTY J ， ADAMOWSKI J ， 2018 . Addressing the incorrect usage of wavelet-based hydrological and water resources forecasting models for real-world applications with best practices and a new forecasting framework ［J］. J Hydrol ， 563 ： 336 - 353 .

WANG J Z ， QIN S S ， ZHOU Q P ， et al ， 2015 . Medium-term wind speeds forecasting utilizing hybrid models for three different sites in Xinjiang， China ［J］. Renew Energy ， 76 ： 91 - 101 .

WANG S X ， ZHANG N ， WU L ， et al ， 2016 . Wind speed forecasting based on the hybrid ensemble empirical mode decomposition and GA-BP neural network method ［J］. Renew Energy ， 94 ： 629 - 636 .

WIDIPUTRA H ， MAILANGKAY A ， GAUTAMA E ， 2021 . Multivariate CNN-LSTM model for multiple parallel financial time-series prediction ［J］. Complexity ， 2021 （ 1 ）： 9903518 .

XUE B ， HONG H ， ZHOU S Z ， et al ， 2019 . Morphological filtering enhanced empirical wavelet transform for mode decomposition ［J］. IEEE Access ， 7 ： 14283 - 14293 .

ZHANG L L ， LI M S ， JI T Y ， et al ， 2016 . Short-term wind power prediction based on intrinsic time-scale decomposition and LS-SVM ［C］// 2016 IEEE Innovative Smart Grid Technologies-Asia （ISGT-Asia）， 2016： 41 - 45 .

浏览量

659

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于主成分及信息熵的额敏灌区农业用水特征

面向边缘计算的神经网络MPS加速算法

用于车辆重识别的基于细节感知的判别特征学习模型

群T4n×ℤm上凯莱图的基尔霍夫指标

面向大型变型航天器的智能轨道预报方法