[发明专利]双线性注意力卷积神经网络限价单预测分析方法及系统

说明书

本发明公开一种双线性注意力卷积神经网络限价单预测分析方法及系统。所述方法在卷积神经网络的基础上增加双线性注意力机制，加强网络对时间信息的关注；通过池化层和Dropout层减少模型参数数量防止过拟合现象的发生，减少了计算量。在网络训练过程的反向传播中，使用Adam算法计算并更新权重，优化传统梯度下降过程；通过损失函数L，优化更新模型的参数，从而优化双线性注意力卷积神经网络。与传统神经网络相比，本发明不仅提高了网络梯度下降的计算性能，而且提高了预测结果的准确率，能够捕捉到限价单中不同档的价格与成交量对未来趋势的影响。本发明所述系统包括数据预处理模块、网络训练模块和股票限价单趋势预测模块。

技术领域

本发明涉及限价委托单分析领域，更为具体地讲，涉及一种双线性注意力卷积神经网络限价单预测分析方法及系统。

背景技术

金融市场不仅反映一个国家的宏观经济，也反映各个公司或商品的未来经济趋势，它是一个由市场和市场参与者相互影响的复杂多变的大系统，预测市场未来的波动是一件非常具有挑战性的任务。

深度学习的研究呈爆炸式增长，应用也得到了蓬勃发展。深度学习在语音、图像和视频领域已有十分广泛的应用，但如很多从业者对风控领域的认知是不会使用深度学习这个方法一样，因它本身是一个黑箱模型、解释性较差而在金融领域的应用较少。卷积神经网络(Convolutional Neural Networks,CNN)作为深度学习的代表算法，已被广泛应用到图像动作识别、文本情感分类等领域，但同样在金融领域的应用较少涉及。判断金融市场的未来趋势是投资者最困难的任务之一，找到适合股票市场的神经网络模型也是一道难题。股票市场包含交易数据、财务数据、宏观数据等，交易数据包含逐笔数据、分时数据、限价单数据和市价单数据，对限价单数据的分析同样也是重要的难题。

投资者经自身的分析选择合适的价格和成交量提交委托单，该委托单称为限价委托单(Limit Order Books,LOBs)，也称限价单。限价单包括了一个时刻内多级投资者的买单和卖单，可以反映投资者对所投标的期望和分歧、市场和投资者的相互影响情况以及未来短期总体的趋势；同时不需要进行复杂的文本分析，也不需要复杂度高的深层模型，适合分析金融市场。因为限价单能够更好的研究金融市场，相关研究者也开始对其进行分析：Adamantios Ntakaris等人使用单隐层前馈神经网络、岭回归以及不同标准化的限价单数据做中间价格预测(见文献“Benchmark dataset for mid-pice forecasting of limitorder book data with machine learning methods”)，提供了公开可供后人研究的限价单数据，但其模型预测效果一般而需要再次优化。Avraam Tsantekidis等人使用卷积神经网络和限价单预测股票价格(见文献“Forecasting Stock Prices from the Limit OrderBook using Convolutional Neural Networks”)，但由于网络层数的加深，削弱了对时间信息的关注而存在一些问题。

因此，需要一种方案来对卷积神经网络模型进行优化，并加强模型对时间的关注，在此基础上对限价委托单进行预测分析。

发明内容

本发明要解决的技术问题是提供一种双线性注意力卷积神经网络限价单预测分析方法及系统。

为解决上述技术问题，本发明提出的一种双线性注意力卷积神经网络限价单预测分析方法，包括以下步骤：

步骤1：获取股票限价单的数据集，将数据集分成训练集和测试集；

步骤2：基于卷积神经网络增加双线性注意力机制，建立双线性注意力卷积神经网络模型；

步骤3：将训练集输入双线性注意力卷积神经网络模型对模型进行训练，采用损失函数L和Adam算法计算并反向更新整个神经网络模型的权重和偏置值，训练完成得到训练完成的双线性注意力卷积神经网络模型；