[发明专利]基于特征参数选取与LSTM模型的股指预测方法

权利要求书

1.一种基于特征参数选取与LSTM模型的股指预测方法，其特征在于包括以下步骤：

步骤1、获取股指数据，全面选取特征参数；

步骤2、采用系统聚类法进行特征分类，使得同一类中的参数相似度较高，不同类别之间的相似度则较低；

步骤3、采用主成分析法对不同类别参数进行降维，使新的指标能够保留原始信息且彼此之间互不相关；

步骤4：将最终输入特征参数直接输入LSTM模型中进行训练，并对实验结果进行分析。

2.根据权利要求1所述的基于特征参数选取与LSTM模型的股指预测方法，其特征在于：所述步骤1全面选取特征参数时，需要考虑股票的影响因素，股票的影响因素包括宏观因素、利率因素和估值因素。

3.根据权利要求1所述的基于特征参数选取与LSTM模型的股指预测方法，其特征在于：所述步骤2系统聚类法包括以下步骤：

⑴将每个样本看做一类，并计算各类之间的距离；

⑵将距离最近的两类进行合并，成为新类别，并计算新类别与其他各类之间的距离；

⑶重复步骤⑵，直至所有类别聚为一类或达到所需的聚类数目。

4.根据权利要求1所述的基于特征参数选取与LSTM模型的股指预测方法，其特征在于：所述步骤2采用系统聚类法将最终分类结果分为4类。

5.根据权利要求1所述的基于特征参数选取与LSTM模型的股指预测方法，其特征在于：所述步骤3主成分分析法包括以下步骤：

⑴获得数据，计算数据的平均值；

⑵计算数据的协方差矩阵，并求得该协方差矩阵的特征值和特征向量；

⑶对特征值进行排序，筛选大于阈值的特征值，计算白化矩阵；

⑷计算累积贡献率，提取主成分；

⑸计算主成分载荷，分析其与原数据的相关连续度。

6.根据权利要求1所述的基于特征参数选取与LSTM模型的股指预测方法，其特征在于：所述步骤4采用的LSTM模型为LSTM神经网络模型，该LSTM神经网络模型由LSTM层和DENSE层构成，使用的激活函数为tanh函数。