[发明专利]一种外汇时间序列预测方法

权利要求书

1.一种外汇时间序列预测方法，其特征在于，包括以下步骤：

步骤1，构建基于卷积神经网络和长短期记忆网络相结合的C-LSTM的预测方法，具体包括：

1-1，构建基于卷积神经网络和长短期记忆网络相结合的C-LSTM的网络模型，具体包括：

1-1-1，构建包括输入层、隐藏层、输出层、网络训练和网络预测的五个功能模块；

1-1-2，构建基于卷积神经网络和长短期记忆网络相结合的C-LSTM的外汇时间序列短期预测方法的训练和预测算法；

1-2，选择卷积神经网络和长短期记忆网络相结合的C-LSTM的激活函数；

1-3，定义卷积神经网络和长短期记忆网络相结合的C-LSTM的损失函数；

1-4，选择交易类指标和基本面数据作为卷积神经网络和长短期记忆网络相结合的C-LSTM的输入特征；

步骤2，从输入特征、网络结构和训练方法三个方面对步骤1构建的方法进行训练优化，训练优化项目包括主成分分析的特征优化、卷积神经网络和长短期记忆网络相结合的C-LSTM滞后期数优化、卷积神经网络和长短期记忆网络网络相结合的C-LSTM结构优化、卷积神经网络和长短期记忆网络相结合的C-LSTM训练方法优化、基于GPU的并行优化；

输入特征方面，选取18个指标数据作为输入特征，18个指标数据分为四大类：基本交易数据、技术指标数据、美元指数和国家经济指标，将这四类指标进行组合，并基于主成分分析法进行输入特征的优化，研究不同指标对预测精度的影响并选取最佳的输入特征，然后实验研究滞后期数对预测精度的影响，从而选择最佳的滞后期数；

网络结构方面，根据网格搜索算法研究最佳的隐藏层结构大小，通过改变不同的卷积神经网络和长短期记忆网络的结合方式，研究不同的算法结合方式对预测精度的影响，选择最佳的隐藏层大小和算法结合方式；

训练方法方面，采用Adam、SGD以及RMSProp方法进行网络的训练，通过对比训练后的算法预测精度以及在训练过程中，损失函数随迭代次数的变化情况和收敛速度，研究不同的训练方法对训练效果和预测精度的影响，最终选择合适的训练方法。

2.如权利要求1所述的一种外汇时间序列预测方法，其特征在于，所述步骤1中选择relu函数作为卷积神经网络和长短期记忆网络相结合的C-LSTM的激活函数，网络结构中加入激活函数后，神经网络具有非线性系统的拟合能力。

3.如权利要求1所述的一种外汇时间序列预测方法，其特征在于，所述步骤1中，选用均方误差作为损失函数，损失函数为式(1)所示，

其中，y_i为数据序列batch中第i个数据所对应的正确答案，为第i个数据所对应的神经网络预测值。

4.如权利要求1所述的一种外汇时间序列预测方法，其特征在于，所述步骤1中，通过交易类指标计算得出技术指标，常用的技术指标包括移动平行线和平滑异同移动平行线，移动平行线和平滑异同移动平行线用于反映当前汇价变动的趋势，通过反趋势指标判断趋势转折点，反趋势指标包括随机指标、乖离率、相对强弱指标和价格变动率。

5.如权利要求4所述的一种外汇时间序列预测方法，其特征在于，所述移动平行线指标是计算某段时期内汇率收盘价的平均值，以该平均值作为判断趋势变化的依据，具体计算公式如式(2)所示，

其中，N代表时间周期，close_i代表第i天的收盘价；

选取快速移动平均线和慢速移动平均线，再求出DIF的平滑移动平均线DEA，最后得出平滑异同移动平均线，具体计算如式(3)-(7)所示，

BAR＝2×(DIF-DEA) (7)

在式(3)-(7)中，EMA_-1为前一日的指数移动平均值，Close为今日收盘价，BAR即为MACD柱状图的高度值。