Volume 1,Issue 9
基于注意力机制的CEEMDAN-CNN-LSTM股指价格预测
针对股价的高频不确定性、长期记忆性，本研究提出了基于注意力机制特征赋权和自适应分解技术的CEEMDAN-CNN-LSTM神经网络模型。首先，使用自适应分解技术（CEEMDAN）进行模态分解，将原始时间序列分解为高低频段和趋势项。其次，利用卷积神经网络（CNN）和长短期记忆神经网络（LSTM），独立对高低频信息进行信号提取和特征学习，并通过注意力模块（AM）进行信号特征的权重自拟合分配。最后，集成各频段预测值作为最终结果。本研究选取沪深300和中证500股票指数进行实证分析，结果显示，基于注意力机制的CEEMDAN-CNN-LSTM模型，既能避免突变信号的遗漏，专注于序列依赖关系，同时又能有效提取共性特征，避免过拟合与预测结果偏右等问题。与其他主流预测模型相比，其预测精度更高，预测误差显著降低，泛化能力更强。
[1] 肖田田.基于K-means-LSTM模型的证券股价预测[J].科技和产业,2024,24(03):210-215.DOI:CNKI:SUN:CYYK.0.2024-03-030.
[2] 马致远.基于股票预测模型LSTM的降维比较[J].科技和产业,2025,25(11):8-16.DOI:CNKI:SUN:CYYK.0.2025-11-002.
[3] 沈山山,李秋敏.基于注意力机制的CNN-LSTM短期股票价格预测[J].软件,2022,43(02):73-75.DOI:CNKI:SUN:RJZZ.0.2022-02-043.
[4]刘荟.基于深度学习BiLSTM-Attention模型的股价崩盘风险预测研究[J].信息系统工程,2025,(08):146-149.DOI:CNKI:SUN:XXXT.0.2025-08-038.
[5] 刘铭,单玉莹.基于EMD-LSTM模型的股指收盘价预测[J].重庆理工大学学报(自然科学),2021,35(12):269-276.
[6] 黄后菊,李波.基于VMD-CSSA-LSTM组合模型的股票价格预测[J].南京信息工程大学学报,2024,16(03):332-340.
[7] 贺毅岳,李萍,韩进博.基于CEEMDAN-LSTM的股票市场指数预测建模研究[J].统计与信息论坛,2020,35(06):34-45.
[8] 丛敬奇,成鹏飞,赵振军.基于CEEMD-CNN-LSTM的股票指数集成预测模型[J].系统工程,2023,41(04):104-116.
[9] 皇甫陈萌,阮贺彬,徐俊俊.融合CEEMDAN-CNN-LSTM的风电机组多气象场景功率回归预测[J].综合智慧能源,2025,47(09):38-50.
[10] 朱婷,颜七笙.融合改进变分模态分解和CNN-Bi LSTM-AM的股价预测研究[J].辽宁工业大学学报(自然科学版),2025,45(02):134-140.DOI:10.15916/j.issn1674-3261.2025.02.012.