基于CEEMDAN-LSTM模型的股票价格预测研究开题报告

1. 研究目的与意义（文献综述包含参考文献）

一、研究背景近年来人工智能和大数据迅猛发展，作为人工智能核心技术的神经网络得到了广泛的应用，例如王志远，等通过天气预测光能发电情况[1]，苗开超，等大雾临近预报[2]诸如此类研究，证明了神经网络的强大功能。

随着大数据技术和人工智能技术与的不断应用和发展，金融市场的进一步完善和金融服务业的强烈需求，金融市场预测引起了业界、学术界的广泛关注[3]，但当前对预测研究金融工具价格和经济变量等的主要预测技术仍然集中在各种时间序列模型, 包括常见的自回归模型(auto regressive, ar)、滑动平均模型(moving average, ma)、自回归滑动平均模型(auto-regressive and moving average, arma)、季节模型、长时间模型、带时间序列误差的回归模型等。

然而，在金融市场中，并非所有的人都是完全理性的，所以存在很多噪音（干扰项），而且数据也是非线性的和动态的。

2. 研究的基本内容、问题解决措施及方案

一、研究和需要解决的问题本论文数据将尽量选取不同类型的股票数据，以便于检验模型的泛性；考虑选取什么时间步长的数据和如何确定模型最合适的金融时间序列的时间步长；如何处理数据可使得ceemdan-lstm有着更好的预测性。

掌握更多ceemdan和cmd和神经网络及程序的相关知识，便于处理将会出现的各种情况。

了解多种参数优化的模型，自己运行数据或者查找相关文献，查看其相关的结论。