在股票市场相互依赖方法中使用核自适应过滤进行股票价格预测-研究论文

股票价格由不同的数据源不断产生，取决于各种因素，如金融政策和国家经济增长。 这些金融时间序列是复杂的相互关联的系统，其中一只股票的价格可能会受到其他股票市场的经济因素的影响。 与传统的分类和回归问题不同，股票价格的预测需要考虑金融时间序列的连续性和相互依存性。 这项工作建议在股票市场相互依赖方法中使用内核自适应滤波 (KAF) 顺序预测股票价格。 因此，与传统方法不同，股票价格不仅使用其本地模型进行预测，而且还使用从其他股票中学习的单个本地模型来预测，从而提高了预测性能。 提议的框架已经在来自三个主要经济体的 24 种不同股票上进行了测试。 仿真结果表明，与基于 KAF 的方法相比，均方误差值相对较低，精度更高。