[发明专利]基于神经网络的股票价格趋势预测方法及系统

说明书

本发明公开了一种基于神经网络的股票价格趋势预测方法及其系统，本发明的神经网络模型基于多层人工神经网络结构而构建，多层人工神经网络结构采用的算法能快速收敛计算得到最小化损失函数，并且在损失函数中引入的λ参数能够避免了宏观经济环境变化或股票基本面突发性变化所带来的预测偏差，极大的优化了神经网络模型预测的准确度，适用范围广。同时，本发明多层人工神经网络所采用的损失函数中采用前向和反向传播训练算法找到优化的权重参数_ji^(L)，采用的卷积训练算法收敛较快，程序运行效率高、实时性强，对硬件配置无需很高要求，系统性价比高。

技术领域

本发明涉及股票量化技术领域，特别涉及一种基于神经网络的股票价格趋势预测方法及系统。

背景技术

在数据时代，可通过实时监测、跟踪研究股票交易数据来进行挖掘分析，以揭示出规律性的东西，将实时数据流分析和历史相关数据相结合，分析并发现股票价格波动的模型，从而对股票价格趋势进行预测。但股票价格基本上是动态的，非线性的，相当程度的受人为因素的影响；同时，股票价格的变动也受许多宏观经济因素的影响，如政治事件、公司的政策、商品价格指数、银行利率等等。因此，预测股票价格的是件复杂并具有挑战的事情。即便如此，股票预测仍然一直都是学术界和金融界的研究热点。因为，投资者如果能够精确的把握股票市场的变化规律，不仅可以获取巨大收益，还可以规避投资风险。

自从股票市场诞生以来，众多国家的科学家和专业人士先后尝试了各种方法来预测股票价格的时间序列，包括统计学方法、计量经济学模型、人工智能与机器学习等。但预测是一种重要的数据分析形式，数据预测由学习阶段和预测阶段组成，学习阶段通过从历史数据集“学习”从而构造系统模型，学习中的训练过程是有监督的或无监督的，采用不同的方法对最后结果影响极大、预测难度较大，且预测结果准确性不高。例如申请号为CN201610942370.6的中国发明专利申请公开了一种基于多机器学习的股票预测方法及系统，方法包括以下步骤：获取股票交易历史数据，并基于特征选择和实际操作经验选择数据的模型，以作为训练的输入训练集；基于神经网络理论构建神经网络模型，其中，神经网络模块包括输入层、第一至第三隐藏层和输出层；基于决策树算法和极限向量机算法，根据输入训练集和神经网络模型构建决策模型，并根据决策模型得到股票预测结果及股票交易建议。该预测方法能够对股票的走势进行预测，并给出合理的股票交易建议。但其对于神经网络模型的输入参数的选择较窄，得到的预测结果较为局限，仅适用于整个股票的大环境处于平稳状态下的分析与预测，而无法应对黑天鹅事件、经济环境、货币政策、国际经济政治局势等因素的影响。同时，其构建的神经网络、决策树、在线极限学习机三种回归模型，与单各预测模型相比，虽然股价预测的准确度有所提升，但整个系统的运算处理效率变慢、复杂程度高，当运算数据累计到一定容量后极易引发整个系统的崩溃，系统运行稳定性差。

发明内容

本发明的发明目的是，针对上述问题，提供一种基于神经网络的股票价格趋势预测方法，通过建立多层人工神经网络模型，输入股票交易的历史数据，实现对人工神经网络系统的有监督的学习、测试与优化，得到的股票预测数据准确而稳定。

为达到上述目的，本发明所采用的技术方案是：

基于神经网络的股票价格趋势预测方法，包括以下步骤：

S1、根据选取原则选取作为多层人工神经网络的输入变量的股票技术特征参数，并获取目标股票的交易历史数据，以作为训练的输入训练集；

S2、构建基于多层人工神经网络结构的神经网络模型，其中，所述多层人工神经网络结构包括一个输入层、一个输出层和两个以上的隐层，所述输入层设有n个节点，输出层设有一个节点且输出层的输出结果用以表示所预测的目标股票交易价格的升跌概率；其中所述多层人工神经网络结构的损失函数如下：