[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

说明书

本发明涉及提供的基于神经网络模型和时间序列的股指预测方法及装置，通过对待预测股指的时间序列数据进行提取，得到特征数据；对所述特征数据进行预处理，得到第一数据；对所述第一数据进行时间序列处理，得到第二数据；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，提高了股指预测的准确率和预测长度。

技术领域

本发明涉及大数据金融技术领域，特别涉及基于神经网络模型和时间序列的股指预测方法及装置。

背景技术

(1)在金融市场的主流预测研究

时间、价格、成交量被视为金融市场中三个最基本的要素，许多的基础研究都围绕这三个要素展开的，早在1976年，就已经从不同角度刻画成交量与价格的变化，后续相关技术再次进行扩充，充分论证了金融市场中时间、价格、成交量关联关系。后来演变为知情交易概率(Probablity of information-based trading，PIN)的矛盾，即PIN影响股票收益的结论在全球范围内显著还是不显著的，然而西方金融学界仍然比较认可PIN理论，随着大数据的技术应用，越来越多的研究更倾向于PIN与股票收益无关。以时间角度上研究价格、成交量并进行预测，ARCH、GARCH、ARMA、ARIMA等模型在金融市场的预测中占据很大的作用，研究中这些模型也出现一些变型，如：Copula-GARCH、ARIMA-TARCH-M、OGARCH等，不过总体结果都进一步证实了金融市场中历史成交量与未来价格成正比，即高成交量的股票在未来跟随着高收益。在近几年的研究中，尤其是大数据、时间序列等技术的快速发展，研究一方面趋向网页新闻、论坛数据、网络搜索、事件分析(突发事件、重大事件等)、信息不对称等数据挖掘，另一方面则偏向关注度、搜索量、投资者情绪和行为等行为金融学，由此判断股票市场指数和波动率的升降。其中，运用网络大数据分析，也有研究成果表明消息数量与当期的异常收益率和交易量有关，小盘股的关系则更为显著，而运用大数据分析和预测上市公司盈利也是研究的趋势。

(2)时间序列和神经网络在金融市场的理论研究

一方面，不管是基于交易时间，还是基于日历时间，金融市场的时间序列分析都是基于时间的进程，由于金融市场交易制度和各国经济周期的时间长度不同，因此在研究金融市场、国家经济等的时间刻度就不能完全依赖于日、周、月、季、年等，各个时间阶段所反应的经济变量就可能是以经济时间线性发展，也有可能是非线性的推进，即FinancialTime Series(FTS)。在金融时间序列主流预测是根据不同的经验模式，分析了不同国家的股市和金融市场，主要代表是EMD方法，后来分解后形成多级IMF序列和VMD。为了更好地理解和预测市场，行为金融学研究人员更喜欢把时序与“量价关系”和大规模社交媒体数据一起做研究。另一方面，从最初的BP神经网络开始，就已经有很多学者在金融领域扩展神经网络理论的研究，从神经网络技术层面展开各种应用研究，如ANN，SVM，以及决策树与随机森林等。大部分运用神经网络从实证上结合相关模型，确实能有效提升金融市场预测及风险防范能力，随着这方面的相关研究的展开，一些跨学科的研究者从神经网络的角度开始更加深入的研究金融市场预测。对于时间序列这种序列数据来说，采用最广泛的模型为循环神经网络(RNN)模型，还有深层次的神经网络LSTM，改进的长短时记忆网络S-LSTM，以循环神经网络为代表的深度学习，不断扩展金融领域的研究。近年来，金融时间序列和神经网络结合的研究，有结合经验模式分解(EMD)，也有运用LSTM神经网络综合预测，许多都能对实际股票指数的进行预测，然而通过时间序列和深度学习相结合对金融市场的预测研究还是比较少。

(3)时间序列和神经网络在股票市场的技术成果