[发明专利]基于深度学习的股票数据分析方法和系统

说明书

本发明公开了基于深度学习的股票数据分析方法，采集所选股票每天的行情数据和所选股票的舆论数据；建立深度学习网络模型；对模型中建立的模型进行初始值设置；将采集的数据进行预处理，包括归一化处理和降噪处理；将所有股票数据转换成LSTM模型规定的数据格式；将降噪处理后的所有训练集依次输入到模型中进行训练；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。本发明中对要进行训练的数据进行了归一化处理和降噪处理，有效增强数据噪声带来的网络模型拟合效果，在股票数据的预测上，采用了LSTM层网络，利用LSTM层网络中神经元细胞中带有储存功能，有效进行跟之前数据和现在输入数据有关系的后期输出数据的预测。

技术领域

本发明涉及深度学习领域，具体涉及基于深度学习的股票数据分析方法和系统。

背景技术

随着国内金融业的改革和深入发展。尤其是像股票这种蕴含潜力和经济利益的金融产品为越来越多的人所关注。股票预测也随之成了一门非常热门的课题。股票投资者在进行期货投资活动时，需要时刻对股票市场行情进行观测，以便对股票市场上大宗商品的价格走势进行预测，从而最大限度地降低风险增加收益。因此很多研究者们致力于通过对股票市场进行长期观察和研究，同时将各种统计学和概率论的方法应用于股票市场，从而建立了一些模型用对行情进行预测。然而，股票市场作为一种复杂系统，受到问题的动态非线性、数据的高噪音、人为操控、政策干预等多种因素的影响，并且各因素相互之间的影响机理也相当复杂。因此，利用传统方法对期货价格进行预测难度很大。

随着计算智能与深度学习领域的发展，涌现出许多基于计算智能的新型预测方法，促进了股票数据预测方法的快速发展。可以发现大多研究中较少考虑对数据进行有效清洗，往往都是直接构建输入特征与股价数据的参数化或非参数化的函数关系，这样就会在数据集中加入噪音干扰、导致降低了拟合的效果。

发明内容

针对上述现有技术存在的问题，本发明提供了一种股票数据预测的方法，在进行数据拟合之前对数据进行了预处理，包括数据归一化和降噪处理，有效减少了数据中噪声的影响，同时采用了网络模型中采用了LSTM层，对模型中的参数进行合理初始设置并在后期不断修改，获得拟合度较高的股票预测网络模型。

基于深度学习的股票数据分析方法，

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；