[发明专利]一种基于储备池算法的股指预测方法

说明书

本发明属于计算机技术领域，提供一种基于储备池算法的股指预测方法，该方法适用于不同交易市场的股指预测，方法包括如下步骤：收集不同交易市场的股指的历史数据作为源数据；将收集到的数据按照训练集、验证集和测试集划分开；设置好储备池算法中的每个参数的备选集合；对不同交易市场的股指数据进行独立的训练、验证和测试。本发明提出一种新的非线性时序预测的深度学习算法，和传统深度学习算法相比，能够在节省资源的同时，提升预测的准确率。

技术领域

本发明属于计算机技术领域，具体涉及一种基于储备池算法的股指预测方法。

背景技术

深度学习是促使人工智能发展的一个重要算法，作为主要的神经网络的算法，自深度学习这一概念由Hinton等人在2006年提出之后，它在自然语言处理，图像处理，语音处理，时序预测等诸多邻域取得了非凡的成就，受到了巨大的关注。深度学习的进步得及得益于算法的提升演化，其中硬件设备的计算能力提升也不容小觑。虽然现阶段深度学习算法已经拥有强大的数据分析预测能力，但依旧面临着超大计算量的问题，深度学习得益于庞大的计算量，同时也受限于由于计算力小球而导致的应用环境的局限性。因此关于如何简化庞大计算量变得越来越重要。

现有的深度学习的算法，例如卷积网络神经网络，是在通过大量矩阵运算和非线性单元，将低维的数据映射在高维空间提取特征，用提取到的特征结合矩阵运算实现回归预测。同时，在训练过程中，设定损失函数，以最小化损失函数为原则，用反向传播的方法更新深度学习网络的矩阵权重。这样的做法，无疑是在用复杂化数据特征为代价，重新在高维空间提取有利于回归的新特征。需要考虑的是，在每次训练中，为达到最小化损失函数且使得函数收敛，需要大量的反向传播的计算，这就更加增加了计算的复杂度。

现有的时序预测的深度学习算法中，循环神经网络(RNN)在各类时序预测场景中，有着广泛的应用。但同样，即使循环神经网络主要是循环使用统一的结构，计算时也需要在反向更新时，不断重复的计算反向更新的权重。

针对上述传统深度学习越来越庞大的运算量这一情况，参考RNN算法的基本原理，结合储备池算法的结构特点，提出基于储备池算法的股指预测方法，储备池算法简化了高维空间计算的特征提取，同时，储备池算法不需要在每一次训练都进行反向传播，因此简化了大量的反向传播计算。

针对上述问题，本发明提出了一种基于储备池算法的股指预测。优点在于，能够节省计算资源，加快运算速率，提升预测准确性。

发明内容

本发明的目的在于针对现有算法的缺陷，提供一种基于储备池算法的股指预测方法，该方法基于RNN算法的基本原理和储备池算法的基本结构，在简化了传统深度学习网络运算的同时，有效提升了计算效率和预测股指的准确率。

本发明采用的技术方案为：

一种基于储备池算法的股指预测方法，其特征在于，包括以下所述步骤：

1)综合整理不同交易市场的股指的日收盘价。独立整理不同交易市场的收盘价数据，在训练模型时，不同市场，会对应不同的模型结构，因此在训练模型也会有与之配对的不同的参数。

2)在整理好数据集的情况下，将数据分割为训练集，验证集和测试集。其中前60％的数据作为训练集，中间20％的数据作为验证集，最后的20％作为测试集。

3)设定储备池运算单元的数量N。设定储备池运算单元，是控制映射空间大小的直接方法。在模型结构选择和参数选择的过程中，最终可以选择出，较大或较小的储备池，更适合该市场股指价格的预测；

4)设定输入训练模型的历史数据长度k。在训练、验证和测试过程中，如若设定k为5，即表示，用5天前的历史数据，预测当天的股指价格；