[发明专利]一种基于隐马尔可夫与深度学习的股市预测方法

权利要求书

1.一种基于隐马尔可夫与深度学习的股市预测方法，其特征在于，包括下述步骤：

S1:获取股票行情数据；

S2:处理股票行情数据，计算涨跌幅对数、高低价差、对数涨跌幅和异同移动平均线MACD技术指标数据,生成特征数据；

S3:对特征数据使用隐马尔可夫模型进行训练和预测，并使用隐马尔可夫模型观察各类隐藏状态，然后根据每类隐藏状态全局趋势归类为起伏阶段和震荡阶段；

S4:由扩张因果卷积层、权重归一层、修正线性单元函数ReLU和Dropout层线性构成TCN残缺块，多个TCN残缺块组成TCN隐藏层，最后特征输入层、TCN隐藏层和输出层一起组合成时间卷积网络模型；

S5:分别对起伏阶段和震荡阶段进行时间卷积网络模型训练；

S6:预测阶段，对特征测试数据使用隐马尔可夫模型分类，判断数据所处的阶段；

S7:根据相应阶段选择时间卷积网络模型，预测涨跌情况。

2.根据权利要求1所述基于隐马尔可夫与深度学习的股市预测方法，其特征在于，步骤S1中，所述股票行情数据是从财经网站采集或利用专业股票数据软件获取；所述股票行情数据的数据字段包括日期、收盘价、开盘价、闭盘价、最高价、最低价、成交量和成交额。

3.根据权利要求1所述基于隐马尔可夫与深度学习的股市预测方法，其特征在于，步骤S2中，处理股票行情数据的方法为：

涨跌幅＝当前收盘价/前一个收盘价；

对数高低价差＝ln(最高价)-ln(最低价)；

对数涨跌幅＝ln(涨跌幅)；

MACD具体计算过程为:

计算12和26指数移动平均线EMA:

EMA(12)＝前一个EMA(12)*11/13+当前收盘价*2/13；

EMA(26)＝前一个EMA(26)*25/27+当前收盘价*2/27；

计算离差值DIF:DIF＝当前EMA(12)-当前EMA(26)；

计算平滑移动平均线DEA:DEA＝前一个DEA*8/10+当前DEA*2/10；

计算柱状图值HIST:HIST＝DIF-DEA；

合并生成特征数据，所述特征数据的数据字段包括日期、收盘价、开盘价、最高价、最低价、成交量、成交额、涨跌幅、对数高低价差、对数涨跌幅、DIF、DEA和HIST。

4.根据权利要求1所述基于隐马尔可夫与深度学习的股市预测方法，其特征在于，步骤S3中，所述隐马尔可夫模型包括5个部分：

观察状态序列，所述观察状态序列通过观察获得；

隐藏状态序列，所述隐藏状态序列是模型中假设存在的状态，无法直接观察获得；

隐藏状态初始概率矩阵；

隐藏状态转移概率矩阵，描述隐藏状态之间互相转换的概率矩阵；

观察状态转移概率矩阵，描述观察状态之间互相转换的概率矩阵；

根据全部观察状态序列计算出观察状态转移概率矩阵，依照隐藏状态转移概率矩阵，再推算出存在隐藏状态的状态转移概率，形成隐马尔可夫模型。