[发明专利]一种引入投资者偏好的股票预测方法

说明书

本发明涉及股票投资的技术领域，特别是涉及一种引入投资者偏好的股票预测方法，利用前景理论价值刻画投资者行为偏好，并将该指标引入到股票收益的预测；包括以下步骤：S1、利用股票的历史收益率数据计算前景理论价值；S2、引入投资者偏好的LSTM模型构建；S3、预测模型过程。

技术领域

本发明涉及股票投资的技术领域，特别是涉及一种引入投资者偏好的股票预测方法。

背景技术

关于股票预测方法的研究主要围绕着统计方法和机器学习方法而展开。最常用的统计方法包括自回归条件异方差模型(ARCH)模型、广义自回归条件异方差(GARCH)模型、移动平均自回归(ARIMA)模型等。然而，统计预测方法存在着一定的局限性。近年来，一些学者从新的视角对股票预测进行研究，以提升预测的准确率。Gong等引入企业社会责任建立股票预测模型，结果表明企业社会责任与股价提高有正向作用，而且可提高股票预测准确率。Pan等开发了一种具有约束的单变量预测回归模型，对股票收益进行预测。相对于无约束预测回归模型，该方法提高了预测效果。然而，由于股票数据自身的高噪声、不确定性、非线性和非平稳性，导致传统的多元回归以及线性回归模型应用受限，只有更高级的模型才能准确描述这类金融时间序列。

随着机器学习的发展，利用人工神经网络可检测股票数据非线性关系的优势，越来越多的学者将人工神经网络(ANN)和支持向量机(SVM)等浅层机器学习方法应用于股票预测研究中。Tsang等提出了利用ANN构建了预测香港股票价格买入卖出的预警系统，该系统的预警效果达到70％以上。Wang等提出了一种基于小波去噪的BP神经网络(BPNN)对上证综合指数进行预测。Akbilgic等提出一种混合径向基神经网络(HRBF-NN)对股票价格进行预测，结果显示该模型具有较高的预测精度。刘道文等使用参数优化后的SVM模型对上海证券交易所股票价格指数进行预测，结果表明该模型可较好反映股票的变化趋势。然而，由于股票价格数据的大量性、非线性和长记忆性等特点，使得浅层机器学习方法存在着模型参数选取少、实用性不高、预测耗时长等问题。

深度学习方法是刻画数据间长记忆性和复杂关系的有效工具。它通过学习深层非线性网络结构，获得了对于输入数据本质特征的强大抽取能力。Heaton等证明了深度学习在股票预测中的强大优势。深度学习中的长短期记忆(LSTM)模型是在循环神经网络(RNN)的结构上加入各种控制门机制，因而，克服了循环神经网络中的梯度消失问题，使得该模型能够更好地刻画具备长记忆性的股票时间序列数据。Chen等构建了LSTM(Long Short-TermMemory)模型预测了中国证券市场收益率。结果表明，预测精度随着输入数量的增加而提高。Nelson等利用LSTM模型预测未来股价走势，结果表明该模型比随机森林、多层感知器等其它机器学习模型更为精确。陈卫华等使用LSTM模型预测沪深300指数的股票波动率，发现LSTM模型效果优于经典的时间序列分析方法。Kim等人将LSTM模型与卷积神经网络(CNN)相结合对标准普尔500指数的股票价格进行预测，结果发现准确率有所提高。冯宇旭等将LSTM模型用于沪深300指数的股价预测中，预测效果明显优于支持向量回归(SVR)等方法。国内的学者先后将深度学习支持向量机、卷积神经网络(CNN)和长短期记忆(LSTM)递归神经网络等深度学习方法应用于股票市场的收益预测中。乔羽基于上证指数对多层感知机、卷积神经网络和LSTM等模型进行了对比实验，研究表明卷积神经网络不适合处理时间序列数据，其性能和递归网络模型差距较大。