摘要
通过AFD去噪分解选取的相关变量,结合门控循环单元(GRU)神经网络模型提出一种基于自适应Fourier分解(AFD)和机器学习的投资者信心指数预测方法——AFD-GRU预测模型,同时采用多个基准模型进行对比分析.研究表明:对于月度投资者信心指数数据,AFD方法结合机器学习模型预测结果更优;针对结构复杂的非线性多变量数据,AFD-GRU预测模型有更好的泛化能力,其预测精度优于其他基准模型.实证结果显示,AFD-GRU模型能够有效预测投资者信心指数的变化趋势,预测精度高且波动性较小,具有一定的实用价值.这一方法有望在金融、统计等领域得到广泛应用.
维普
万方数据