[发明专利]基于神经网络模型和时间序列的股指预测方法及装置在审
| 申请号： | 201910406667.4 | 申请日： | 2019-05-16 |
| 公开（公告）号： | CN110264352A | 公开（公告）日： | 2019-09-20 |
| 发明（设计）人： | 卢民荣;陈海烽;郑曈;林思思 | 申请（专利权）人： | 福建江夏学院 |
| 主分类号： | G06Q40/04 | 分类号： | G06Q40/04;G06Q30/02;G06N3/04;G06N3/08 |
| 代理公司： | 北京易捷胜知识产权代理事务所(普通合伙) 11613 | 代理人： | 蔡晓敏 |
| 地址： | 350108 福建*** | 国省代码： | 福建;35 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 预测 神经网络模型 第一数据 时间序列 特征数据 预处理 时间序列处理 时间序列数据 准确率 | ||
1.基于神经网络模型和时间序列的股指预测方法，其特征在于，包括步骤：
S1、对待预测股指的时间序列数据进行提取，得到特征数据；
S2、对所述特征数据进行预处理，得到第一数据；
S3、对所述第一数据进行时间序列处理，得到第二数据；
S4、通过神经网络模型对所述第二数据进行训练，并对所述待预测股指的价格进行预测。
2.根据权利要求1所述的基于神经网络模型和时间序列的股指预测方法，其特征在于，步骤S2还包括：
判断所述预处理是否完成，若是，则执行步骤S3。
3.根据权利要求1所述的基于神经网络模型和时间序列的股指预测方法，其特征在于，所述预处理具体包括以下处理中的一种或多种：
通过预设的填充方式对所述特征数据中的缺失值进行填充；
根据数据之间的关联性对所述特征数据中的异常值进行替换；
对所述特征数据进行标准化处理；
对所述特征数据进行归一化处理。
4.根据权利要求1所述的基于神经网络模型和时间序列的股指预测方法，其特征在于，步骤S3具体为：
建立时序模型，并对所述第一数据进行时间序列处理，得到第二数据。
5.根据权利要求1所述的基于神经网络模型和时间序列的股指预测方法，其特征在于，所述的对所述第一数据进行时间序列处理具体为以下处理中的一种或多种：
对所述第一数据进行滑动窗口动态提取处理；
按时间轴的顺序对所述第一数据进行权重分配处理。
6.基于神经网络模型和时间序列的股指预测装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现以下步骤：
S1、对待预测股指的时间序列数据进行提取，得到特征数据；
S2、对所述特征数据进行预处理，得到第一数据；
S3、对所述第一数据进行时间序列处理，得到第二数据；
S4、通过神经网络模型对所述第二数据进行训练，并对所述待预测股指的价格进行预测。
7.根据权利要求6所述的基于神经网络模型和时间序列的股指预测装置，其特征在于，步骤S2还包括：
判断所述预处理是否完成，若是，则执行步骤S3。
8.根据权利要求6所述的基于神经网络模型和时间序列的股指预测装置，其特征在于，所述预处理具体包括以下处理中的一种或多种：
通过预设的填充方式对所述特征数据中的缺失值进行填充；
根据数据之间的关联性对所述特征数据中的异常值进行替换；
对所述特征数据进行标准化处理；
对所述特征数据进行归一化处理。
9.根据权利要求6所述的基于神经网络模型和时间序列的股指预测装置，其特征在于，步骤S3具体为：
建立时序模型，并对所述第一数据进行时间序列处理，得到第二数据。
10.根据权利要求6所述的基于神经网络模型和时间序列的股指预测装置，其特征在于，所述的对所述第一数据进行时间序列处理具体为以下处理中的一种或多种：
对所述第一数据进行滑动窗口动态提取处理；
按时间轴的顺序对所述第一数据进行权重分配处理。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于福建江夏学院，未经福建江夏学院许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201910406667.4/1.html，转载请声明来源钻瓜专利网。
