基于VMD-CSSA-LSTM组合模型的股票价格预测

来源：南京信息工程大学学报·自然科学版杂志2024年第3期北京时间：

作者：黄后菊，李波

单位：黄后菊,辽宁工业大学 电子与信息工程学院, 锦州, 121001,李波,辽宁工业大学 电子与信息工程学院, 锦州, 121001,vincy1998@yeah.netis_first_author:0,is_contact_author:,sequence:2,first_name:,middle_name:,last_name:,resume:,institute_superscript:

摘要：针对股票价格非平稳、非线性和高复杂等特性引发的预测难度大的问题,建立一种基于变分模态分解(Variational Mode Decomposition,VMD)-Circle混沌映射的麻雀搜索算法(Circle Sparrow Search Algorithm,CSSA)-长短期记忆 (Long Short-Term Memory,LSTM) 神经网络的组合模型——VMD-CSSA-LSTM.首先,利用VMD将原始股票收盘价数据分解为若干本征模态函数(Intrinsic Mode Function,IMF)分量.然后,采用Circle混沌映射的SSA算法对LSTM神经网络的隐含层神经元、迭代次数、学习率进行优化,将最优参数拟合至LSTM网络中.最后,对每个IMF分量建模预测,将各分量预测结果叠加得到最终结果.实验结果表明,与其他模型相比,本文模型在多支股票数据集上的均方根误差(RMSE)、平均绝对误差(MAE)及平均绝对百分比误差(MAPE)均达到最小,预测股票收盘价格误差在0附近波动,稳定性更优、拟合更佳、精确度更高.

关键词：股票价格预测;变分模态分解;麻雀搜索算法;Circle混沌映射;长短期记忆网络

基金资助：辽宁省教育厅基本科研项目(面上项目)(JYTM20230862);国家自然科学基金(51679116);辽宁省自然科学基金(2020-MS-292)