[发明专利]基于深度学习的股票数据分析方法和系统

摘要

本发明公开了基于深度学习的股票数据分析方法，采集所选股票每天的行情数据和所选股票的舆论数据；建立深度学习网络模型；对模型中建立的模型进行初始值设置；将采集的数据进行预处理，包括归一化处理和降噪处理；将所有股票数据转换成LSTM模型规定的数据格式；将降噪处理后的所有训练集依次输入到模型中进行训练；经过训练，完成深度学习网络模型的构建，用于对股票数据预测。本发明中对要进行训练的数据进行了归一化处理和降噪处理，有效增强数据噪声带来的网络模型拟合效果，在股票数据的预测上，采用了LSTM层网络，利用LSTM层网络中神经元细胞中带有储存功能，有效进行跟之前数据和现在输入数据有关系的后期输出数据的预测。

主权项

1.基于深度学习的股票数据分析方法，其特征在于：/n步骤1：采集所选股票每天的行情数据和所选股票的舆论数据，所述行情数据包括股票的相关价格数据和成交数据，所述舆论数据包括所选股票的新闻消息数据；/n步骤2：建立深度学习网络模型，用于输入数据进行学习，所述深度学习网络模型除了输入层和输出层，隐含层采用LSTM层；/n步骤3：对步骤2中建立的模型进行初始值设置，包括每个LSTM图层中的神经元细胞数量，LSTM图层的层数，模型开始第一周期训练时的学习速率；/n步骤4：将步骤1中采集的数据进行预处理，包括归一化处理和降噪处理，所述归一化处理采用Sigmoid函数，所述降噪处理采用小波变换后，通过设置阈值去噪的方式，具体包括：/n步骤4.1：选取小波基和确定分解层数，用于对数据进行小波变换，得到小波分解系数；/n步骤4.2：确定阈值，保留大于阈值的小波系数，滤除小于阈值的小波系数；/n步骤4.3：将保留的小波系数进行步骤4.1中小波变换的逆过程得到重构的小波系数，即为降噪处理后的股票数据；/n步骤5：将所有股票数据转换成LSTM模型规定的数据格式，具体为：/n将股票数据的同一时刻的多个特征变量合并成一个多维向量数据，得到按照时间顺序排列的多维向量数据；/n将数据转换成LSTM模型规定的数据格式，即将所有多维向量数据按照时间顺序划分为若干个训练集，每个训练集中均包含n个多维向量数据，每个训练集中的第n个多维向量数据作为目标数据；上一个训练集与下一个训练集在数据上重叠情况为上一个训练集的第二个数据到第n个数据即为下一个训练集的第一个数据到第n-1个数据；/n步骤6：将步骤5中降噪处理后的所有训练集依次输入到模型中，模型通过损失函数反向传播进行模型参数修正，直至模型收敛；/n步骤7：经过训练，完成深度学习网络模型的构建，用于对股票数据预测。/n