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 . 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 .
| IMF | Mean_Shap | Percent |
|---|---|---|
| IMF_9 | 90.692 | 70.45% |
| IMF_8 | 18.599 | 14.45% |
| IMF_7 | 9.225 | 7.17% |
| IMF_6 | 3.012 | 2.34% |
| IMF_4 | 1.960 | 1.52% |
| IMF_5 | 1.522 | 1.18% |
| IMF_3 | 1.440 | 1.12% |
| IMF_1 | 1.173 | 0.91% |
| IMF_2 | 1.111 | 0.86% |
| IMF | Mean_Shap | Percent |
|---|---|---|
| IMF_9 | 0.0017 | 35.73% |
| IMF_8 | 0.0010 | 20.38% |
| IMF_7 | 0.0007 | 15.21% |
| IMF_6 | 0.0006 | 12.61% |
| IMF_5 | 0.0003 | 6.32% |
| IMF_4 | 0.0002 | 4.14% |
| IMF_3 | 0.0001 | 3.15% |
| IMF_2 | 0.0000 | 1.53% |
| IMF_1 | 0.0000 | 0.93% |
APPLE MLP DeepSHAP(主要分量)显示末端IMF_8贡献≈78.8%,其余IMF贡献明显递减,表明趋势分量在APPLE上也主导预测 . | IMF | Mean_Shap | Percent | |--------|-----------:|---------:| | IMF_8 | 84.218 | 78.80% | | IMF_6 | 7.936 | 7.43% | | IMF_7 | 4.832 | 4.52% | | IMF_5 | 3.608 | 3.38% | | IMF_4 | 2.790 | 2.61% | | IMF_3 | 1.404 | 1.31% | | IMF_2 | 1.048 | 0.98% | | IMF_1 | 1.031 | 0.97% |
APPLE LSTM DeepSHAP仍以末端IMF为主,但权重更分散(IMF_8 ≈48.4%),重复了NVIDIA上的发现:LSTM分配更均衡的重要性 .
一、元数据与概览(引言与报告概览)
二、逐章精读与剖析
三、图表与表格逐一深度解读(关键图表逐条分析) 说明:以下每个图/表均用论文原图引用并逐一解读。
Figure 1(NVIDIA 原始价格走势)
描述:该图展示 2004–2024 年 NVIDIA 收盘价的长期时序,显示自 2016 年后尤其在近几年出现加速上升,近年价格跃升至数百美元并在 2024 年达到高位(图注与文中描述)。
解读与含义:长周期上升趋势明显,且近期波动幅度扩大,这解释了为何最终(低频)IMF 在预测中会占主导地位——趋势分量对绝对价格水平贡献最大并驱动模型输出(数据图支持文本结论)。
Figure 2(APPLE 原始价格走势)
描述:2004–2024 年 Apple 价格走势,也呈持续上涨并在近年波动放大,训练段与验证段的分布在幅度上存在明显差异(文中指出)。
解读:类似 NVIDIA,APPLE 的长期趋势成分在样本末端占主导,训练时后段的指数性增长可能导致模型在验证集上需要外推而非插值,增加了对趋势 IMF 的依赖性(文本—图联动)。
NVIDIA MLP 重构与指标(Figure 3 与 Table 1)
描述:Figure 3 显示 MLP 在测试集上预测线(橙虚线)与真实值(蓝线)高度重合;Table 1 报告 MSE=13.605、RMSE=3.688、MAE=1.553、R2=0.999(表格)。
解读与评估:图形与 R2≈0.999 指示在测试期间 MLP 重构非常精确,但需警惕:数值尺度(RMSE≈3.69)与原始价格(百位至千位)相比显得较小,暗示可能对 IMF 或输出做了归一化/反归一化处理的影响(文本并未详细说明归/逆归一化细节,应在复制研究时核实)。
NVIDIA MLP DeepSHAP 贡献(Figure 4 与 Table 2)
Table 2(节录要点):IMF_9 Mean_Shap=90.692(70.45%),IMF_8=18.599(14.45%),其余 IMF 百分比迅速衰减至 <3% 等(表)。
解读:DeepSHAP 对 MLP 的平均归因几乎完全由最后一个 IMF(IMF_9,代表趋势残差)主导(约 70%),这量化验证了“末端 IMF 主导预测”的论断;同时,前几个 高频 IMF 贡献极小,表明它们在 MLP 框架下可能更多为噪声或微调成分(文本—图一致)。
NVIDIA LSTM 重构与指标(Figure 5 与 Table 3)
描述:LSTM 的预测线在图上与真实值相比出现明显偏差,且表格显示 MSE=3481.235、RMSE=59.002、MAE=34.735、R2=0.906,表现逊于 MLP(表)。
解读:相较 MLP,LSTM 测试误差更大且 R2 下降,作者解释为 LSTM 对时序记忆的处理导致其重要性分配更均衡(见下),但也需关注数值差异可能与数据预处理、参数设置或训练稳定性有关(文中未详述归一化等细节,需谨慎复制)。
NVIDIA LSTM DeepSHAP(Figure 6 与 Table 4)
Table 4(要点):IMF_9 Mean_Shap=0.0017(35.73%)、IMF_8=0.0010(20.38%)、IMF_7=0.0007(15.21%)等,整体重要性分布较为平缓(表)。
解读:LSTM 的 mean_shap 数值量级远小于 MLP 的(例如 IMF_9 在 MLP 为 ~90.69,在 LSTM 为 0.0017),这暗示在不同模型的输出尺度或归一化处理存在差异;但按百分比看,LSTM 将重要性在前 4-5 个 IMF 更均匀地分配,符合作者关于 LSTM “记忆能力使其整合多个成分信息”的结论(图、表支持该结论),同时也提示对比两个架构时应注意尺度与归一化一致性问题(图—表一致性及潜在局限)。
APPLE MLP 重构与指标(Figure 7 与 Table 5)
描述:Figure 7 展示 MLP 对 Apple 的高精度拟合;Table 5(注:表头误标为 NVIDIA,但数据对应 APPLE)给出 MSE=0.0149、RMSE=0.1221、MAE=0.0846、MAPE=0.06%、R2=0.999(表)。
解读:极高的 R2 与极小的 MSE/RMSE 数值再次表明模型输出可能经过了尺度化处理或是对 IMF/价格单位差异的反向变换;作者未在正文给出明确的预处理与反归一化细节,这在复现与比较模型性能时是明显的盲点(图表与表格显示优异拟合但需谨慎解读绝对误差数值)。
APPLE MLP DeepSHAP(Figure 8 与 Table 6)
Table 6(要点):IMF_8 Mean_Shap=84.218(78.80%),其余 IMF 均 <8%(表)。
解读:与 NVIDIA 一致,APPLE 在 MLP 下也明显由最后一个 IMF(IMF_8)主导,说明低频趋势成分在 MLP 架构中被视为主要决定因子;高频 IMFs 的边际贡献微小,作者据此指出高频分量可能引入噪声并在移除后提升指标(文中提及该类现象)。
APPLE LSTM 重构与指标(Figure 9 与 Table 7)
描述:LSTM 对 APPLE 的表现不及 MLP(表格显示 MSE=82.653、RMSE=9.091、MAE=7.042、R2=0.884),图形呈现预测与实际存在偏差(表/图)。
解读:同 NVIDIA 情形,LSTM 在 APPLE 上的绝对误差较大,但 DeepSHAP 百分比分配依然将最后 IMF 放在首位(下节说明),这表明 LSTM 虽分配较多权重给其他中频 IMF,但最终趋势分量仍关键。
APPLE LSTM DeepSHAP(Figure 10 与 Table 8)
Table 8(要点):IMF_8 Mean_Shap=0.0098(48.40%)、IMF_7=0.0052(25.75%)、IMF_6=0.0025(12.25%)等;相较 MLP(78.8%),LSTM 对最后 IMF 的相对依赖减少(表)。
解读:LSTM 在 APPLE 上表现出更分散的归因,说明其能够利用中频成分提高对局部波动的拟合能力,但最后 IMF 仍占比最大,验证了“末端 IMF 为长期趋势载体且通常为预测中最重要成分”的总体结论(图—表一致)。
四、估值/模型推断(本报告并无传统估值段)
五、风险因素评估(报告中识别的局限与潜在风险)
六、批判性视角与细微差别(基于报告文本的审慎评估)
七、结论性综合(汇总关键发现与图表洞察)
附:本文引用并展示的报告原图(按文中编号)
—— 结束 —— (以上所有直接基于报告文本/图表的陈述已在句末标注对应页码以便溯源。)
2512.12499.pdf