基于混合VMD–CSA–BiT框架的金融时间序列预测

《Scientific Reports》：Financial time series forecasting with a hybrid VMD–CSA–BiT framework

　　

摘要

由于金融时间序列固有的非线性、非平稳性以及高噪声水平，其预测面临诸多挑战。为解决这些问题，本研究提出了VMD–CSA–BiT这一集成框架，该框架结合了变分模态分解（VMD）、卷积自注意力（CSA）和双向变换器（BiT），以提高预测的稳健性。该方法首先通过VMD将原始价格序列分解为可解释的内模函数，随后利用CSA模块优化各个时间点的特征表示，再通过BiT网络来建模双向的长期时间依赖关系。在多种金融资产上，利用一系列市场特征对所提框架进行测试，结果表明其与包括传统统计方法、机器学习模型以及先进的深度学习架构在内的多个基准模型相比，均具有更出色的性能，关键误差指标也有显著下降。可视化分析显示，该框架的预测结果通常与实际市场走势相符。研究表明，VMD–CSA–BiT是一种极具前景且有效的金融时间序列预测方法。未来的研究将致力于进一步优化框架结构，并将其应用于更多金融领域。