[发明专利]基于深度学习的股票数据分析方法和系统在审

专利信息
申请号: 201910806421.6 申请日: 2019-08-29
公开(公告)号: CN110648016A 公开(公告)日: 2020-01-03
发明(设计)人: 孙西超;亓洪胜;刘晓敏 申请(专利权)人: 蚌埠学院
主分类号: G06Q10/04 分类号: G06Q10/04;G06Q40/04;G06N3/04
代理公司: 34135 合肥维可专利代理事务所(普通合伙) 代理人: 张和平
地址: 233000 *** 国省代码: 安徽;34
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 股票数据 降噪处理 网络模型 归一化处理 预测 预处理 采集 初始值设置 神经元细胞 储存功能 输出数据 数据格式 行情数据 增强数据 训练集 股票 构建 拟合 学习 噪声 网络 转换 分析
【权利要求书】:

1.基于深度学习的股票数据分析方法,其特征在于:

步骤1:采集所选股票每天的行情数据和所选股票的舆论数据,所述行情数据包括股票的相关价格数据和成交数据,所述舆论数据包括所选股票的新闻消息数据;

步骤2:建立深度学习网络模型,用于输入数据进行学习,所述深度学习网络模型除了输入层和输出层,隐含层采用LSTM层;

步骤3:对步骤2中建立的模型进行初始值设置,包括每个LSTM图层中的神经元细胞数量,LSTM图层的层数,模型开始第一周期训练时的学习速率;

步骤4:将步骤1中采集的数据进行预处理,包括归一化处理和降噪处理,所述归一化处理采用Sigmoid函数,所述降噪处理采用小波变换后,通过设置阈值去噪的方式,具体包括:

步骤4.1:选取小波基和确定分解层数,用于对数据进行小波变换,得到小波分解系数;

步骤4.2:确定阈值,保留大于阈值的小波系数,滤除小于阈值的小波系数;

步骤4.3:将保留的小波系数进行步骤4.1中小波变换的逆过程得到重构的小波系数,即为降噪处理后的股票数据;

步骤5:将所有股票数据转换成LSTM模型规定的数据格式,具体为:

将股票数据的同一时刻的多个特征变量合并成一个多维向量数据,得到按照时间顺序排列的多维向量数据;

将数据转换成LSTM模型规定的数据格式,即将所有多维向量数据按照时间顺序划分为若干个训练集,每个训练集中均包含n个多维向量数据,每个训练集中的第n个多维向量数据作为目标数据;上一个训练集与下一个训练集在数据上重叠情况为上一个训练集的第二个数据到第n个数据即为下一个训练集的第一个数据到第n-1个数据;

步骤6:将步骤5中降噪处理后的所有训练集依次输入到模型中,模型通过损失函数反向传播进行模型参数修正,直至模型收敛;

步骤7:经过训练,完成深度学习网络模型的构建,用于对股票数据预测。

2.根据权利要求1所述的基于深度学习的股票数据分析方法,其特征在于:所述步骤2建立的深度学习网络模型中的损失函数采用均方误差,公式为:

其中,Yt为t时刻的隐藏层输出的值,Xt为t时刻的实际值。

3.根据权利要求1所述的基于深度学习的股票数据分析方法,其特征在于:所述步骤3中对模型的初始参数进行设置,初步定下各个参数的范围,后期在训练过程中根据训练情况再进行手动调参,其中学习速率的调整策略通过优化算法实现自适应调整学习率。

4.根据权利要求1所述的基于深度学习的股票数据分析方法,其特征在于:所述步骤4.1中所述小波变换所用的小波基采用Coiflet小波族,分解层数为四层;所述步骤4.2中阈值的求解采用极大极小准则。

5.根据权利要求1或3所述的基于深度学习的股票数据分析方法,其特征在于:步骤6中损失函数反向传播时采用的优化算法为Adam,用于优化损失函数从而优化模型参数获得准确的网络模型。

6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现所述权利要求1-5中任一项所述方法的步骤。

7.一种计算机设备,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所述权利要求1-5中任一项所述方法的步骤。

8.一种基于深度学习的股票数据分析系统,其特征在于,所述系统包括:

数据获取模块,用于获取所选股票的行情数据和舆论数据;

建立模型模块,用于建立深度神经网络模型,所述深度神经网络模型中的隐含层采用LSTM层,确定LSTM层的损失函数和优化算法;

初始参数设置模块,用于对建立的模型中的参数进行初始设置;

数据预处理模块,用于对数据进行归一化处理和降噪处理;

数据格式转换模块,用于将所有股票数据转换成LSTM模型规定的数据格式;

模型训练模块,用于将采集数据输入到LSTM模型中进行训练;

数据预测模块,用于对股票行情进行预测。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

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蚌埠学院,未经蚌埠学院许可,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/201910806421.6/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top