使用 HHT 特征生成和机器学习进行金融时间序列分析和预测-研究论文

我们提出了用于分析非平稳金融时间序列的互补集成经验模式分解 (CEEMD) 和希尔伯特-黄变换 (HHT) 的方法。 这种噪声辅助方法将任何时间序列分解为许多固有模式函数，以及相应的瞬时幅度和瞬时频率。 不同的模式组合允许我们使用不同时间尺度的组件来重建时间序列。 然后，我们应用希尔伯特谱分析来定义和计算相关的瞬时能量频谱，以说明嵌入在原始时间序列中的各种时间尺度的属性。 使用 HHT，我们生成了一组新特征并将它们集成到机器学习模型中，例如回归树集成、支持向量机 (SVM) 和长短期记忆 (LSTM) 神经网络。 使用经验财务数据，我们在预测性能方面比较了几种 HHT 增强型机器学习模型。