[发明专利]基于深度学习的期货商品价格趋势预测方法

说明书

本发明公开了一种基于深度学习的期货商品价格趋势预测方法，包括以下步骤：获取期货商品历史交易数据；对获取的历史交易数据进行技术指标计算并进行特征处理获得训练数据；构建预测价格走势的长短期记忆神经网络模型；将获得的训练数据输入到模型进行训练直到模型收敛；获取当前的期货商品数据并计算技术指标转化为特征输入模型后给出预测结果；运用了深度学习中的长短期神经网络这种结构(针对符合时间序列的数据)并结合一些表征市场走势的技术特征来预测期货的走势，最后根据价格的走势来给出交易意见。

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于深度学习的期货商品价格趋势预测方法。

背景技术

随着国内金融业的改革和深入发展。尤其是像股票，期货这种蕴含潜力和经济利益的金融产品为越来越多的人所关注。期货预测也随之成了一门非常热门的课题。期货投资者在进行期货投资活动时，需要时刻对期货市场行情进行观测，以便对期货市场上大宗商品的价格走势进行预测，从而最大限度地降低风险增加收益。因此很多研究者们致力于通过对期货市场进行长期观察和研究，同时将各种统计学和概率论的方法应用于期货市场，从而建立了一些模型用对行情进行预测。然而，期货市场作为一种复杂系统，受到问题的动态非线性、数据的高噪音、人为操控、政策干预等多种因素的影响，并且各因素相互之间的影响机理也相当复杂。因此，利用传统方法对期货价格进行预测难度很大。

发明内容

鉴于目前存在的上述不足，本发明提供一种基于深度学习的期货商品价格趋势预测方法，能够运用了深度学习中的长短期神经网络这种结构并结合一些表征市场走势的技术特征来预测期货的走势。

为达到上述目的，本发明的实施例采用如下技术方案：

一种基于深度学习的期货商品价格趋势预测方法，所述基于深度学习的期货商品价格趋势预测方法包括以下步骤：

获取期货商品历史交易数据；

对获取的历史交易数据进行技术指标计算并进行特征处理获得训练数据；

构建预测价格走势的长短期记忆神经网络模型(LSTM)；

将获得的训练数据输入到模型进行训练直到模型收敛；

获取当前的期货商品数据并计算技术指标转化为特征输入模型后给出预测结果。

依照本发明的一个方面，所述进行特征处理获得训练数据包括：根据计算的技术指标选取特征数据，做归一化处理，搭建输入的数据特征格式，作为训练集。

依照本发明的一个方面，所述搭建输入的数据特征格式包括：对获得的特征数据按时间步长*样本数*特征数搭建3D特征。

依照本发明的一个方面，所述构建预测价格走势的长短期记忆神经网络模型包括：采用了两层LSTM，3层全连接网络，激活函数使用的Relu函数，最后一层使用sigmoid函数。

依照本发明的一个方面，所述构建预测价格走势的长短期记忆神经网络模型包括：每层之后都采用了丢弃层，以相应的比例丢弃部分输入。

依照本发明的一个方面，所述构建预测价格走势的长短期记忆神经网络模型包括：模型中损失函数为交叉熵损失函数，优化器为随机梯度下降。

依照本发明的一个方面，所述获取当前的期货商品数据并计算技术指标转化为特征输入模型后给出预测结果包括：获取当天的期货商品数据并计算技术指标，去归一化后转化为特征输入模型后给出预测结果。

依照本发明的一个方面，所述构建预测价格走势的长短期记忆神经网络模型包括如下计算过程：

前向推算：

输入门：