前言本实验分析了基于 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。总结本研究构建的全流程预测框架实现了以下创新理论创新证明了结合全局注意力与局部时序建模的通用逼近能力。方法论创新建立了“特征筛选-分解重构-组合预测”的一体化解决方案。实证突破在高度波动的金融数据中实现了高信噪比与高拟合度的统一。未来方向• 探索模型压缩技术以降低计算成本。• 整合外部宏观政策与极端事件信息增强模型对市场异常波动的抗风险能力。• 研究增量学习与在线学习机制以适应现代金融环境的实时预测需求。