[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

说明书

本发明公开了一种基于隐马尔可夫与深度学习的股市预测方法，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MACD(异同移动平均线)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，将数据分类成起伏阶段和震荡阶段；S4:构建时间卷积网络模型；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。本发明有效结合隐马尔可夫模型和深度学习，并以市场投资者常用技术指标数据作为特征，具有良好的效果，为投资者提供参考价值。

技术领域

本发明涉及深度学习预测领域，特别涉及一种基于隐马尔可夫与深度学习的股市预测方法。

背景技术

现代股票市场已在投资领域占有重要地位。但是股市行情受到许多因素的影响，比如国内外局势，国内外经济情况，以及市场氛围等。而由于股市行情的剧烈震荡会给投资者以及国家带来巨大的损失，因此股市趋势预测一直是金融，经济等领域研究的热点。

隐马尔可夫模型作为一个统计模型，它能用来描述带有隐藏未知参数的马尔克夫过程。主要由观察状态、隐藏状态、隐藏状态初始概率分布、隐藏状态转移概率矩阵和观察状态转移概率矩阵组成。而隐藏状态无法直接观察到，需要通过观察状态序列，推算出隐藏状态转移概率。隐马尔可夫模型自1980年以来在语音识别领域取得了巨大成功，同时它也广泛运用在股票预测领域。

在过去许多时间内，时序问题一直由RNN网络占据主要地位，RNN模型也衍生了许多新结构网络。比如LSTM(Long Short-Term Memory长短期记忆网络)，GRU(GatedRecurrent Unit门控循环单元网络)等，这些模型在众多领域上都发挥了重要作用。在股票预测领域中目前大多采用传统SVM模型和LSTM模型，其中SVM模型存在难以处理大规模高维特征、处理时间序列数据不能很好利用过去信息和训练时间过长等问题。而LSTM模型由其记忆门结构在时间序列数据中能够保存更多信息，由此LSTM模型近年来广泛应用在股票预测领域。最近出现的TCN(Temporal Convolutional Nets时间卷积网络)以其特有的扩张因果卷积结构在时间序列预测中较LSTM模型和SVM模型都有着不少效果提升。

发明内容

为了克服现有技术存在的缺陷与不足，本发明提供一种基于隐马尔可夫与深度学习的股市预测方法，利用隐马尔可夫模型与基于时间卷积网络TCN模型进行深度学习，可以较好地描述股市趋势，能为投资者提供良好的投资决策指导。

为了达到上述目的，本发明采用以下技术方案：

本发明一种基于隐马尔可夫与深度学习的股市预测方法，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。