Explainable Prediction of Economic Time Series Using IMFs and Neural Networks
创建于 更新于
摘要
本研究将经验模态分解(EMD)得到的IMFs作为可解释特征，结合MLP与LSTM进行一步预测，并用DeepSHAP量化每个IMF对预测的边际贡献，发现长期趋势（最后的IMF）在预测中贡献最大，而高频IMF噪声性强、贡献有限，从而可通过剔除部分高频分量提升指标表现 [page::0][page::10]. 本文还比较了MLP与LSTM在重要性分配上的差异：MLP更集中于末端趋势分量，LSTM由于记忆机制对多个IMF分配更均衡的重要性 [page::6][page::7].
