Resumen

Las fluctuaciones de las series temporales económicas y financieras están influenciadas por diversos tipos de factores y suelen demostrar una fuerte no estacionariedad y alta complejidad. Por lo tanto, predecir con precisión las series temporales económicas y financieras siempre es un tema de investigación desafiante. En este estudio, se desarrolla un enfoque híbrido novedoso de multidecomposición y autooptimización que integra múltiples descomposiciones modales empíricas completas mejoradas con ruido adaptativo (ICEEMDANs), el algoritmo de optimización de ballenas (WOA) y redes neuronales de vínculo funcional de vector aleatorio (RVFL), denominado MICEEMDAN-WOA-RVFL, para predecir series temporales económicas y financieras. Primero, empleamos ICEEMDAN con parámetros aleatorios para separar la serie temporal original en un grupo de subseries comparativamente simples múltiples veces. Segundo, construimos redes RVFL para predecir individualmente cada subserie. Dado la complejidad de la configur

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Fluctuaciones; Económico; Financiero; Series temporales; Pronóstico; ICEEMDAN-WOA-RVFL
• Keywords:Fluctuations; Economic; Financial; Time series; Forecasting; ICEEMDAN-WOA-RVFL