[发明专利]一种基于近邻传播的股票预测方法、系统、装置和介质

说明书

本发明涉及一种基于近邻传播的股票预测方法、系统、装置和介质，包括获取多只股票的历史交易数据，对任一只股票的历史交易数据进行处理得到该股票的目标特征向量集合；根据该股票的目标特征向量集合直接获取其他剩余股票的目标特征向量集合；采用近邻传播方法，根据所有目标特征向量集合对所有历史交易数据进行近邻传播聚类分析得到聚类结果；根据聚类结果在待预测股票所属簇群内选取预设数量的样本股票，并基于支持向量机训练方法，根据目标特征向量集合和样本股票对应的历史交易数据得到股票趋势预测模型；根据股票趋势预测模型对待预测股票进行预测得到预测结果。本发明运算量较低，运算时间较短，占用内存小，可并行性高，预测准确率高。

技术领域

本发明涉及特定时间段的股票涨跌趋势预测技术领域，尤其涉及一种基于近邻传播的股票预测方法、系统、装置和介质。

背景技术

股市是资本资源优化配置的一个重要场所，掌握其变化规律不仅是投资者梦寐以求的事，也对宏观国民经济的研究和管理有着重要的现实意义。由于影响股价的因素包括企业内部因素、经济因素、制度因素和人们的心理因素等等，各种因素的影响程度和方式各不相同，因此股价的准确预测难度很大。目前，股价的预测主要是对股票涨跌趋势进行预测。

随着互联网技术和计算机技术的发展，越来越多的基于神经网络算法的预测方法应用在股票涨跌趋势预测中。常用到的算法有：BP神经网络算法、RNN循环神经网络算法和LSTM神经网络算法等，其中，BP神经网络算法具有很强的非线性映射能力和自学习能力，但是学习速度慢，容易出现“过拟合”现象；RNN循环神经网络算法不仅会学习当前时刻的信息，也会依赖之前的序列信息，但是当距离增加时，RNN变得无法连接相关信息；LSTM神经网络算法中神经元拥有特殊的门结构，能够学习长距离依赖关系，但是占用内存大，不能够并行处理。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足，提供一种基于近邻传播的股票预测方法、系统、装置和介质，克服了传统的基于神经网络算法来预测股票涨跌趋势的缺陷，明显提高了分析和预测股票涨跌趋势的准确率。

本发明解决上述技术问题的技术方案如下：

一种基于近邻传播的股票预测方法，包括以下步骤：

步骤1：获取多只股票在预设时间内的多个历史交易数据，对任一只所述股票的所述历史交易数据中的特征向量集合进行处理，得到对应的一只所述股票的目标特征向量集合；

步骤2：根据步骤1中得到的对应的一只所述股票的所述目标特征向量集合，直接获取与步骤1中其他剩余所述股票一一对应的多个所述目标特征向量集合；

步骤3：采用近邻传播方法，根据所有所述目标特征向量集合对所有所述股票对应的所述历史交易数据进行近邻传播聚类分析，得到聚类结果；

步骤4：根据聚类结果在待预测股票所属簇群内，选取预设数量的样本股票，并基于支持向量机训练方法，根据所述目标特征向量集合和所述样本股票对应的所述历史交易数据，得到股票趋势预测模型；

步骤5：根据所述股票趋势预测模型对所述待预测股票进行预测，得到预测结果。