[发明专利]基于LSTM神经网络的股票价格预测方法

权利要求书

1.一种基于LSTM神经网络的股票价格预测方法，其特征在于，所述方法包括：

获取当前交易日第一目标股票的第一特征数据；

对所述第一特征数据进行归一化处理；

将归一化处理后的所述第一特征数据输入至训练好的股票预测模型中，得到下一个交易日该目标股票的价格走势，其中，所述股票预测模型包括按照Keras内置的Sequential顺序模块依次连接的第一Lstm层、第一Dropout层、第二Lstm层、第三Lstm层、第二Dropout层和Dense层。

2.根据权利要求1所述的基于LSTM神经网络的股票价格预测方法，其特征在于，对所述特征数据进行归一化处理前，还包括：

采用python中的pywt库对所述第一特征数据进行小波变换去除数据噪声。

3.根据权利要求1所述的基于LSTM神经网络的股票价格预测方法，其特征在于，所述第一特征数据包括以下至少一项：

所述目标股票在当前交易日的最低价、最高价、收盘价、开盘价和交易量。

4.根据权利要求1所述的基于LSTM神经网络的股票价格预测方法，其特征在于，所述股票预测模型的训练过程包括：

获取历史交易日第二目标股票的第二特征数据，所述第二特征数据包括以下至少一项：所述目标股票在历史交易日的最低价、最高价、收盘价、开盘价和交易量；

采用python中的pywt库对所述第二特征数据进行小波变换去除数据噪声；

对所述第二特征数据进行归一化处理；

将归一化后的所述第二测试数据划分为训练集和测试集；

建立所述股票预测模型，其中，所述股票预测模型中使用的损失函数为均方差，优化算法为Adam，模型采用2个epochs，每个batch的大小为32；

将训练集中的所述第二测试数据输入至所述股票预测模型，以训练所述股票预测模型；

将测试集中的所述第二测试数据输入至训练好的所述股票预测模型，以对所述股票预测模型进行评估验证及参数优化。

5.根据权利要求4所述的基于LSTM神经网络的股票价格预测方法，其特征在于，所述将测试集中的所述第二测试数据输入值训练好的所述股票预测模型，以对所述股票预测模型进行评估验证，包括：

将测试集中的所述第二测试数据输入至训练好的所述股票预测模型，得到预测结果；

判断预测结果所指示的该样本的预测涨跌结果，如果是涨，则将该样本设置标签1，如果是跌，则将该样本设置标签0；

判断该样本的实际涨跌结果，如果是涨，则将该样本设置标签1，如果是跌，则将该样本设置标签0；

根据该样本的实际涨跌结果与预测涨跌结果，将样本分为TP、FN、FP和TN四类，其中，TP用于指示该样本的实际涨跌结果与预测涨跌结果都为正类的个数，FN用于指示该样本的实际涨跌结果为正类、预测涨跌结果为负类的个数，FP用于指示该样本的实际涨跌结果为负类、预测涨跌结果为正类的个数，TN用于指示该样本的实际涨跌结果与预测涨跌结果都为负类的个数；

通过如下公式计算所述股票预测模型的评价指标：

其中，Accuracy为准确率，Precision为精确率，Recall为召回率。

6.根据权利要求4所述的基于LSTM神经网络的股票价格预测方法，其特征在于：

在所述股票预测模型中运行所述第一特征数据或所述第二特征数据时，通过keras中的fit_generator函数批量获取数据，并使用python生成器动态训练数据集来绘制数据。

7.根据权利要求1所述的基于LSTM神经网络的股票价格预测方法，其特征在于：

所述第一Lstm层、所述第二Lstm层与所述第三Lstm层的神经元个数分别为100、100和150，所述第一Dropout层与所述第二Dropout层的rate为0.2。