[发明专利]一种融合图卷积网络的股票趋势预测方法

说明书

本发明提出了一种融合图卷积网络的股票趋势预测方法，包括：步骤一、运用金融领域知识构建股票之间的多种关系图；步骤二、利用图卷积网络GCN提取基于这些关系图的交叉效应特征；步骤三、将步骤二产生的交叉效应特征与股票历史数据连接起来作为组合特征；步骤四、将步骤三生成的组合特征输入到长短期记忆网络LSTM中，建立股票价格的时间相关性模型；步骤五、在LSTM上叠加一个带sigmoid激活函数的全连接层，得到股票集合的预测趋势。本发明考虑了以往研究所忽略的相关股票之间具有交叉效应的问题，有效地提高了预测精度。

技术领域

本发明涉及一种融合图卷积网络的股票趋势预测方法，属于数据挖掘领域。

背景技术

传统金融学和现代行为金融学都认为股票价格的波动是信息驱动的。信息影响投资者的信念和行为，从而改变股票的走势。因此，了解股票市场是如何将信息转化为股票价格的，在股票预测中是至关重要的。近年来，研究者们通过机器学习或深度学习的方法对各种信息与股价之间的相关性进行建模。然而，这些算法的核心假设是股票是相互独立的。它们主要是基于单个股票自身的历史信息来提取股票的自相关性，而忽略了股票随时间的交叉效应对股价的动态影响。

发明内容

本发明的目的是提出一种融合图卷积网络的股票趋势预测方法，其为了解决传统模型实时性和预测准确度不甚理想的问题。

一种融合图卷积网络的股票趋势预测方法，所述预测方法包括以下步骤。

步骤一、运用金融领域知识构建股票之间的多种关系图，如股权图、行业图和话题性图。

步骤二、利用图卷积网络GCN提取基于这些关系图的交叉效应特征。

步骤三、将步骤二产生的交叉效应特征与股票历史数据连接起来作为组合特征。

步骤四、将步骤三生成的组合特征输入到长短期记忆网络LSTM中，建立股票价格的时间相关性模型。

步骤五、在LSTM上叠加一个带sigmoid激活函数的全连接层，得到股票集合的预测趋势。

进一步的，所述步骤一中，具体的，股权图G_X = (V, E_X, A_X)用来编码股权影响，行业图G_Y= (V, E_Y, A_Y)用来编码行业内超前滞后效应，话题性图G_Z = (V, E_Z, A_Z)对时事新闻影响进行编码，其中|V| = N表示图中N家上市公司，E表示公司间的边关系，A = (a_ij)_N×N表示特定股票网络的邻接矩阵，A中的元素a_ij代表公司i和公司j之间的联系强度。

进一步的，在步骤一中，N=4。

进一步的，所述步骤二中包括以下步骤。

步骤二一、将传统谱域定义的图的卷积推广到信号X ∈ R^N×F中，其中N为股票个数，F为输入特征个数，C个滤波器定义为，其中 Z ∈ R^N×C 是结果，K为图卷积的核大小，θ为多项式系数的向量，L为拉普拉斯矩阵，W ∈ R^F×C 是可训练参数，对应的图卷积层表示为。

。

其中，H^(l) ∈ R^N×F 为第l层的输入，H^(l+1) ∈ R^N×C为它的输出，ρ(·)为激活函数，W^(l) ∈ R^N×C为第l层的可训练参数。

步骤二二、为了模拟多个图的交叉效应，定义多图卷积如下。

。