A novel decomposed-ensemble time series forecasting framework: capturing underlying volatility information
捕捉潜在波动信息的分解集成时间序列预测框架AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要核心是时间序列分解与预测，未提供足够依据将其归为金融波动率研究。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
捕捉潜在波动信息的分解集成时间序列预测框架
- 研究问题
- 复杂时间序列的预测能否通过同时利用分解后的数值信息与波动信息获得改善，现有模态分解预测遗漏波动信息会有何影响？
- 方法与思路
- 作者先用变分模态分解得到多个子模态，再以 GARCH 提取各子模态的波动信息，将两类输入用于神经网络预测并汇总输出。
- 材料陈述的贡献
- 摘要称，该框架结合计量模型与神经网络，在比较实验中降低 MSE、RMSE 和 MAPE；摘要没有提供具体降幅及其适用范围。
- 阅读关注点
- 应核对数据分解和波动估计是否仅使用预测时可得信息，以及模态数选择、滚动验证、比较基准和各组件的增量贡献。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验；摘要未说明数据集、预测期限和实验设置，不能据此确认样本外预测优势。
原文摘要
Time series forecasting represents a significant and challenging task across various fields. Recently, methods based on mode decomposition have dominated the forecasting of complex time series because of the advantages of capturing local characteristics and extracting intrinsic modes from data. Unfortunately, most models fail to capture the implied volatilities that contain significant information. To enhance the prediction of contemporary diverse and complex time series, we propose a novel time series forecasting paradigm that integrates decomposition with the capability to capture the underlying fluctuation information of the series. In our methodology, we implement the Variational Mode Decomposition algorithm to decompose the time series into K distinct sub-modes. Following this decomposition, we apply the Generalized Autoregressive Conditional Heteroskedasticity (GARCH) model to extract the volatility information in these sub-modes. Subsequently, both the numerical data and the volatility information for each sub-mode are harnessed to train a neural network. This network is adept at predicting the information of the sub-modes, and we aggregate the predictions of all sub-modes to generate the final output. By integrating econometric and artificial intelligence methods, and taking into account both the numerical and volatility information of the time series, our proposed framework demonstrates superior performance in time series forecasting, as evidenced by the significant decrease in MSE, RMSE, and MAPE in our comparative experimental results.