基于CEEMDAN分解与Transformer残差预测的多通道互补网络股价趋势预测

《Expert Systems with Applications》：Stock price trend forecasting based on multi-channel complementary network with CEEMDAN decomposition and Transformer residual prediction

本文提出了一种结合完全自适应噪声集合经验模态分解（CEEMDAN）与多通道互补网络的新型股价预测框架。该模型通过CEEMDAN将股价序列分解为不同频率的本征模态函数（IMF），并分别采用长短期记忆网络（LSTM）和Transformer残差预测模块并行处理各分量，最终融合多通道输出。实验表明该模型能有效提升预测精度与鲁棒性，为金融时间序列（FTS）分析提供了创新性解决方案。

　　

Section Snippets

Related Work

多源数据融合对提升股市预测性能至关重要。关键输入数据通常可分为技术指标与基本面指标两类，这些指标在捕捉市场动态和价格波动中起关键作用（Atsalakis & Valavanis, 2009）。早期研究如Li等（2019）应用VADER模型计算情绪指标，并结合技术指标构建混合预测模型。

Methodology

如图1所示，收盘价数据经CEEMDAN分解后生成多个IMF分量和残差项。每个IMF代表原始数据中不同的频率成分：高频分量反映短期波动，中低频分量呈现中长期趋势，而残差项则暗示整体潜在方向。各IMF与六项关键指标（开盘价、最高价、最低价、成交量、市盈率P/E、市净率P/B）共同输入独立的LSTM通道进行并行预测；残差项则由Transformer模块处理，以捕捉长期依赖关系。最终通过多通道输出融合生成预测结果。

Experiment

本节首先介绍实验数据集，随后说明评估指标，依次对比基线模型与其它模型结果，最后通过消融实验深入分析模型性能。

Conclusion

本文提出的多通道互补混合模型有效解决了高噪声股市趋势预测的挑战。CEEMDAN分解抑制噪声干扰并突出趋势信息，LSTM与Transformer的互补架构兼顾局部特征与全局依赖，结合多维度指标显著提升预测鲁棒性。