[发明专利]基于深度学习的股票预测方法、装置、设备及存储介质

权利要求书

1.一种基于深度学习的股票预测方法，其特征在于，所述基于深度学习的股票预测方法包括以下步骤：

获取目标股票和关联股票的最新交易数据；

生成所述最新交易数据对应的多维特征矩阵；

将所述最新交易数据对应的多维特征矩阵输入复合神经网络进行处理，得到所述目标股票的预测结果，其中，所述复合神经网络的参数由所述目标股票和所述关联股票的历史交易数据训练得到，所述关联股票与所述目标股票相关联。

2.如权利要求1所述的基于深度学习的股票预测方法，其特征在于，所述获取所述目标股票和所述关联股票的最新交易数据的步骤之前还包括：

获取目标股票和关联股票的历史交易数据；

生成所述历史交易数据对应的多维特征矩阵；

将所述历史交易数据对应的多维特征矩阵输入复合神经网络进行训练，得到训练后的复合神经网络，其中，所述复合神经网络包括卷积神经网络和长短期记忆循环神经网络。

3.如权利要求2所述的基于深度学习的股票预测方法，其特征在于，所述将所述历史交易数据对应的多维特征矩阵输入复合神经网络进行训练，得到训练后的复合神经网络的步骤包括：

将所述历史交易数据对应的多维特征矩阵输入所述卷积神经网络进行处理，得到所述历史交易数据对应的特征向量；

将所述历史交易数据对应的特征向量输入所述长短期记忆循环神经网络进行处理，得到所述目标股票的预测结果；

基于所述预测结果采用反向传播算法更新所述卷积神经网络和所述长短期记忆循环神经网络的参数，得到训练后的复合神经网络。

4.如权利要求2所述的基于深度学习的股票预测方法，其特征在于，所述生成所述历史交易数据对应的多维特征矩阵的步骤包括：

将所述历史交易数据以预设时间间隔划分为多组子数据；

根据各组所述子数据生成各个多维特征矩阵；

所述将所述历史交易数据对应的多维特征矩阵输入卷积神经网络进行处理，得到所述历史交易数据对应的特征向量的步骤包括：

分别将各个所述多维特征矩阵输入卷积神经网络进行处理，得到所述历史交易数据对应的各个特征向量。

5.如权利要求2所述的基于深度学习的股票预测方法，其特征在于，所述将所述历史交易数据对应的特征向量输入所述长短期记忆循环神经网络进行处理，得到所述目标股票的预测结果的步骤包括：

获取预设时间间隔内的股票属性数据，并根据所述股票属性数据生成对应的特征向量，其中，所述股票属性数据包括最高价，最低价，开盘价，收盘价，清仓数量，清仓比例，建仓数量，建仓比例，大单数量，大单比例，总的交易股数；

将所述股票属性数据对应的特征向量和所述历史交易数据对应的特征向量拼接成输入特征向量；

将所述输入特征向量输入所述长短期记忆循环神经网络进行处理，得到所述目标股票的预测结果。

6.如权利要求1至5任一项所述的基于深度学习的股票预测方法，其特征在于，所述历史交易数据包括：

交易笔数、买入股数和卖出股数。

7.如权利要求1至5所述的任一项基于深度学习的股票预测方法，其特征在于，所述获取目标股票和关联股票的最新交易数据的步骤之前还包括：

获取上市公司信息，所述上市公司信息包括上市公司名称、上市公司所属行业和上市公司控股信息；

根据所述上市公司信息生成知识图谱；

确定目标股票，并根据所述知识图谱确定关联股票，其中，所述关联股票和所述目标股票相关联。