金融时间序列预测全流程框架:从SHAP特征选择到智能算法优化深度学习预测模型,核心三章实验已完成,尚未发表,期待有缘人!本实验分析了基于 SHAP 特征筛选、IBKA-VMD-WT 信号处理以及 RIME-Transformer-LSTM 深度学习模型的全流程金融时间序列预测框架。研究表明,通过结合可解释性机器学习(SHAP)进行特征降维、利用改进的黑翅鸢优化算法(IBKA)赋能的变分模态分解(VMD)进行降噪,并结合 Transformer 的全局建模与 LSTM 的局部时序能力,可以显著提升金融数据的预测精度。