分解集成框架耦合SSA与波动自适应LSTM预测股价
原始标题 / A decomposition-integration framework coupling singular spectrum analysis with a volatility-adaptive LSTM for stock price forecasting
该研究提出CEEMDAN-SE-SSA-VMGL框架，针对现有CEEMDAN混合模型的高频模态混叠与波动异质性未匹配问题，引入样本熵聚类、奇异谱分析去噪及可微分GARCH层调制LSTM遗忘门，在五条中美金融序列上相对最佳基准降低9%至24%的预测误差。
01 摘要
论文提出一种分解-集成框架，用CEEMDAN分解金融序列，以样本熵驱动K-means聚类分组，对高频组应用奇异谱分析缓解模态混叠，并设计嵌入可微分GARCH(1,1)层的VMGL模型使LSTM记忆衰减随瞬时波动调整。作者报告在五个中美金融序列上，该模型较十一个基准中最佳者降低9%至24%误差，较标准LSTM降低60%至70%，并通过Diebold-Mariano与MCS检验。上述性能提升为作者基于其实验设置的报告，尚需独立复现与更广泛市场验证。
02 关键点
- CEEMDAN分解后按样本熵聚类为高、中、低频及残差组，高频组经SSA主成分重构以解耦伪振荡模态。
- VMGL将可微分GARCH(1,1)层嵌入LSTM单元作为风险门，用条件波动率乘性缩放遗忘门激活，保持端到端训练。
- 在CSI 300、CSI 500、AAPL、GOOGL、S&P 500上，较最佳基准误差降低9%–24%，统计检验支持显著性。
回到一手来源
阅读原文 ↗AI GENERATED SUMMARY / DISCOVERED BY ARXIV CS.LG