[发明专利]一种基于长短期记忆深度学习网络的股票近期走势预测方法

权利要求书

1.一种基于长短期记忆深度学习网络的股票近期走势预测方法，其特征在于所述方法包括如下步骤：

（1）获取某只股票待预测项目相关数据的时间序列；

（2）以固定步长循环重叠截取时间序列，构建短序列并进行标准化处理；

（3）构建长短期记忆深度学习网络，并进行模型训练和性能验证；

（4）以近期待预测项目的数据输入模型后进行单步预测；

（5）将单步预测结果与之前输入加在一起后，作为下一步预测的输入，以此类推形成近期的预测序列；

（6）对预测结果进行反标准化处理后并输出。

2.根据权利要求1所述的一种基于长短期记忆深度学习网络的股票近期走势预测方法，其特征在于步骤（2）中输入短序列的构建过程，通过以固定步长循环重叠截取时间序列来构造适合LSTM深度学习神经网络的进行学习的案例库。

3.根据权利要求1所述的一种基于长短期记忆深度学习网络的股票近期走势预测方法，其特征在于步骤(2)中对短序列的标准化处理方法，为了使所有短序列具有统一的标准，在模型输入上具有同等的地位，构造了两种可选的标准化处理方法：以短序列的第一个元素作为基准的标准化处理和以整个时间序列的均值和方差为基础的标准化处理。

4.根据权利要求1所述的一种基于长短期记忆深度学习网络的股票近期走势预测方法，其特征在于步骤(3)中长短期记忆深度学习网络模型的构建，构建的模型是专门针对股票预测进行设计的，两层LSTM层加一层全连接层Dence，其中LSTM层训练时需要进行Dropout；序列的步长取为30，股票序列既作为输入，又作为其预测输出的比较基础；损失函数定义为最小均方误差mse；模型的优化过程使用RMSprop随机梯度下降算法。

5.根据权利要求1所述的一种基于长短期记忆深度学习网络的股票近期走势预测方法，其特征在于步骤(5)中为形成近期走势预测序列所采用的方式：先进行单步的预测，之后将该结果拼接到原输入短序列之后，移除短序列的头元素；将短序列重新作为输入到模型中，预测下一个输出；如此循环完成一个时间段的预测，即近期走势的预测。

6.根据权利要求1所述的一种基于长短期记忆深度学习网络的股票近期走势预测方法，其特征在于步骤(6)中的反标准化处理方式，该步骤是步骤(2)中处理的逆操作，同样也包括两种可选方式：以短序列的第一个元素作为基准的反标准化处理和以整个时间序列的均值和方差为基础的反标准化处理；通过该步骤将预测数据恢复到实际的数值区间范围。