[发明专利]一种基于双阶段注意力机制生成对抗网络的金融时间序列预测方法

说明书

本发明公开了一种基于双阶段注意力机制生成对抗网络的金融时间序列预测方法，属于金融时间序列预测领域，包括以下步骤：获取原始金融时间序列数据，进行预处理；在生成对抗网络的生成模型中引入输入注意力机制和时间注意力机制，构建双阶段注意力机制生成对抗网络模型；将训练集数据依次输入到双阶段注意力机制生成对抗网络模型中对模型进行训练，获得训练好的双阶段注意力机制生成对抗网络模型；将测试数据依次输入到训练好的双阶段注意力机制生成对抗网络模型，得到金融时间序列的预测结果，该方法在生成模型中引入输入注意力机制对输入特征进行加权，着重考虑对预测结果影响大的时刻，以捕获金融时间序列的长期依赖性，通过在生成模型中引入两种注意力机制，提高模型的预测准确率。

技术领域

本发明涉及金融时间序列预测领域，尤其涉及一种基于双阶段注意力机制生成对抗网络的金融时间序列预测方法。

背景技术

金融时间序列预测是根据金融数据的历史规律以及变化趋势，对未来金融数据的发展状况做出合理的推测。金融时间序列是时间序列的一种，金融时间序列预测对于政府、投资机构和投资者均有着重要的意义，如何提取特征提高预测准确率，一直以来都是金融领域和计算机领域的研究热点。

传统的金融时间序列预测技术主要包括自回归滑动平均模型、自回归条件差异方差模型、多元线性回归模型等。传统时间序列的预测方法理论成熟，运用起来比较简单。但是传统的时间序列预测方法不能很好地处理非线性拟合的问题。原因在于这些方法都是针对线性的分析方法，而处理非线性问题时应注意数据之间的量化关系。由于传统方法的限制，研究者们发明了很多机器学习的时间序列预测方法。基础的机器学习方法包括人工神经网络(ANN)、支持向量回归(SVR)、以及极限学习机(ELM)。但是随着数据量的增多，机器学习的方法已经不能满足需求，基于深度学习的方法逐渐成为了时间序列预测领域的研究热点。深度学习包括卷积神经网络(CNN)、循环神经网络(RNN)和生成对抗网络(GAN)。

其中生成对抗网络经过多领域认证，但生成对抗网络应用于金融时间序列预测却少之又少，其存在的主要问题是输入特征多难以自适应选择和难以捕获金融时间序列的长期依赖问题。

发明内容

根据现有技术存在的问题，本发明公开了一种基于双阶段注意力机制生成对抗网络的金融时间序列预测方法，包括以下步骤：

S1:获取原始金融时间序列数据，对原始金融时间序列数据进行预处理，得到预处理后金融时间序列数据，对预处理后的金融时间序列数据按照比例划分为训练集数据和测试集数据；

S2:在生成对抗网络的生成模型中引入输入注意力机制和时间注意力机制，构建双阶段注意力机制生成对抗网络模型；

S3:将训练集数据依次输入到双阶段注意力机制生成对抗网络模型中对模型进行训练，获得训练好的双阶段注意力机制生成对抗网络模型；

S4:将测试数据依次输入到训练好的双阶段注意力机制生成对抗网络模型，得到金融时间序列的预测结果。

进一步地：所述对金融时间序列数据进行预处理的过程如下：

S1-1:采用第三方软件判断原始金融时间序列数据是否存在数据缺少，当原始金融时间序列数据不存在缺少，作为完整的金融时间序列数据进行S1-2；当原始金融时间序列数据存在缺少，则缺少的数据按照缺少数据日期之前的固定时间内的平均值进行补齐,得到完整的金融时间序列数据，进行S1-2；

S1-2:对完整的金融时间序列数据进行归一化处理，得到归一化处理后的金融时间序列数据。

进一步地：所述归一化处理公式如下：

其中，X^*表示归一化后的数据；X表示预处理后的数据；X_min表示处理后数据的最小值；X_max表示预处理后数据的最大值。