[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

说明书

技术领域

本发明涉及股票数据挖掘技术领域，尤其是涉及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。

背景技术

股票市场在今天的金融市场中起着很重要的作用。近年来，股票市场吸引了越来越多人的关注。股票投资是为了获得更大的收益，有效地进行股票价格的预测，最大程度规避股票风险，增加投资收益，是股票投资者最关注的热点问题。

目前，股票预测方法主要有回归分析法、时间序列法、马尔柯夫预测等传统方法，还有就是支持向量机、神经网络等人工智能的预测方法等。为了进一步提高股票价格预测的精度，一些改进的算法和学习策略也被应用到股票价格预测的问题上。

深度学习是目前机器学习领域一个新的研究方向，它可以学习多个表示和抽象层次，较好的提取样本的特征，在人工智能的相关领域已取得了广泛的应用成果。在本发明中，将基于长短期记忆深度学习网络，对股票的近期走势进行预测。

发明内容

本发明公开提出了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。方法是一个通用的模型，可进行不同项目的预测，可预测项目包括收盘价、涨跌幅、开盘价、最高价、最低价、成交量、换手率等。不同项目之间没有关联，每个项目单独训练，单独预测。

以收盘价预测为例，方法分为训练和预测两个阶段。

对于某只股票，方法首先获取该股票某个时间点以来至今的所有收盘价，形成一个时间序列；之后以一定的步长循环重叠截取该时间序列，形成短序列，对每个短序列进行标准化处理后，选取一定比例的短序列作为训练数据，其余部分作为验证数据。

在训练阶段，定义模型的结构，构建长短期记忆深度学习网络,选择损失函数及优化器后，输入训练数据，经过多轮模型训练后，以验证数据验证模型的性能。

在预测应用阶段，以该股票近期的收盘价走势类似构建短序列和标准化处理后，输入模型进行预测，预测是逐步进行的，将第二天的预测结果放到原输入后，再进行下一天的预测，以此类推形成近期的预测序列。最后对预测结果进行反标准化处理并输出。

本发明方法的步骤如下：

（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。

其中，步骤(1)中获取某只股票待预测项目相关数据的时间序列，具体为：待预测项目以收盘价预测为例，获取该只股票获取某个时间点以来（如2005年1月1日），到当前交易日的前L个交易日的收盘价，形成一个数组，记为A，A=[a₁,a₂,…,a_i,…a_k]。数组A是一个时间序列。

其中，步骤(2)中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，具体为从数组A中第一个元素开始，到k-t+1结束，以步长t循环重叠截取时间序列，最终形成如下的二维数组。

Data=[[ a₁,a_2，…，a_t], [ a₂,a_3，…，a_t+1], [ a₃,a_4，…，a_t+2],…, [ a_k-t+1,a_{k-t+2，…，}a_k]]。