[发明专利]一种基于CEEMD-GRU模型的股票指数预测系统

说明书

本发明属于模式识别技术领域，提供了一种基于CEEMD‑GRU模型的股票指数预测系统，具有模型存储部、预处理部和结果预测部，模型存储部存储有CEEMD‑GRU模型，预处理部能够通过对原始股票数据进行预处理，能够提高数据质量，保障模型训练过程的顺利和最终的拟合效果，结果预测部能够得到得到股票指数预测结果。在CEEMD‑GRU模型的训练过程中将处理后的数据通过CEEMD算法模态分解后，将分量给各个独立的GRU模型进行训练和迭代，能够使用GRU模型对不同时间尺度特征独立的进行学习，保障了对不同特征学习效果，从而实现对原始数据特征的整体把握和学习的目的。

技术领域

本发明属于模式识别技术领域，具体涉及一种基于CEEMD-GRU模型的股票指数预测系统。

背景技术

股票预测一直以来都是一个热门的研究领域，针对其的研究方法不一而足，主要可分为基本面分析法和技术分析法两大类。基本面分析法注重宏观分析，根据整体经济形势、政策法规等因素来实现对股票的价值评估。基本面分析法对于普通投资者具有很高的理论门槛和较大的研究成本，不具有普遍适用的优势。

技术分析法则是立足于证券市场本身，通过诸多技术指标研究股市过去和现在所反映出来的特征和规律，以达到预测未来价格的目的。技术分析法用的方法多种多样，预测性能参差不齐，目前国内外的使用较多的模型有ARIMA、SVM和SVR，它们在处理股票数据这种具有严重的非平稳性的序列时，并不能有效控制误差波动；而前馈神经网络、模糊神经模型等方法由于缺乏对时序数据时间相关性的学习能力，同样不满足预测的精度要求。

GRU是目前处理时间序列使用最多的神经网络之一。虽然相比于普通的单一预测模型，GRU具有明显的性能优势。但是若对原始数据不作任何处理直接输入，或者只依赖于单一模型的建模方法对真实数据的拟合效果较为有限，造成股票预测结果的精度不高。

发明内容

本发明是为了解决上述问题而进行的，目的在于提供一种基于CEEMD-GRU模型的股票指数预测系统。

本发明提供了一种基于CEEMD-GRU模型的股票指数预测系统，具有这样的特征，包括：模型存储部，用于存储CEEMD-GRU模型；预处理部，用于对原始股票数据进行数据归一化预处理，得到预处理数据；结果预测部，将预处理数据输入训练后的CEEMD-GRU模型中，得到股票指数预测结果；以及控制部，控制模型存储部、预处理部以及结果预测部运行，其中，CEEMD-GRU模型的训练过程如下：步骤S1，对原始股票数据进行数据归一化预处理，得到训练用预处理数据；步骤S2，将训练用预处理数据至少划分为训练集以及验证集；步骤S3，构建CEEMD-GRU模型，CEEMD-GRU模型包括一个CEEMD模型和多个GRU模型；步骤S4，将训练集中的股票数据输入CEEMD模型进行模态分解，得到多个分解分量imf；步骤S5，将多个分解分量imf分别输入到对应的多个GRU模型中进行迭代，得到多个分量预测结果；步骤S6，对分量预测结果进行集成运算，得到股票指数预测结果；步骤S7，基于验证集对CEEMD-GRU模型进行验证后，得到训练后的CEEMD-GRU模型。

在本发明提供的基于CEEMD-GRU模型的股票指数预测系统中，还可以具有这样的特征：其中，步骤S4包括如下子步骤：步骤S4-1，将股票数据代表的信号设为x(t)；步骤S4-2，将N对噪声加入到信号中，得到2N个掺入噪声的信号；步骤S4-3，分别对2N个掺入噪声的信号进行经验模态分解，得到多组分解分量imf，第i个信号的第j个分解分量imf表示为imf_ij；步骤S4-4，对多组分解分量imf进行集成平均运算，分解出的分解分量imf可表示为：

在本发明提供的基于CEEMD-GRU模型的股票指数预测系统中，还可以具有这样的特征：其中，在步骤S4，将训练集中的股票数据输入CEEMD模型进行模态分解还可以得到一个趋势项Res，通过CEEMD分解，股票数据代表的信号x(t)具有以下的等量关系：