[发明专利]一种外汇时间序列预测方法

摘要

本发明公开了一种外汇时间序列预测方法，具体涉及外汇时间序列数据领域。该预测方法基于卷积神经网络和长短期记忆网络相结合的深度学习算法C‑LSTM分析预测外汇时间序列数据，提出了外汇时间序列短期预测方法，对影响预测精度的三类主要因素进行系统的研究，选取最优的输入特征、网络结构和训练方法，针对数据噪声大的问题，基于PCA构建了特征优化算法，对输入特征进行降维除噪，然后运用Dropout和L2正则化方法避免过拟合问题的出现，进一步提高了预测方法的预测精度，同时为了满足外汇市场的高时效性需求，基于GPU高性能计算技术构建了并行优化算法，加快了网络模型的训练速度，提高了预测方法在实际应用场景中的可用性。

主权项

1.一种外汇时间序列预测方法，其特征在于，包括以下步骤：/n步骤1，构建基于卷积神经网络和长短期记忆网络相结合的C-LSTM的预测方法，具体包括：/n1-1，构建基于卷积神经网络和长短期记忆网络相结合的C-LSTM的网络模型，具体包括：/n1-1-1，构建包括输入层、隐藏层、输出层、网络训练和网络预测的五个功能模块；/n1-1-2，构建基于卷积神经网络和长短期记忆网络相结合的C-LSTM的外汇时间序列短期预测方法的训练和预测算法；/n1-2，选择卷积神经网络和长短期记忆网络相结合的C-LSTM的激活函数；/n1-3，定义卷积神经网络和长短期记忆网络相结合的C-LSTM的损失函数；/n1-4，选择交易类指标和基本面数据作为卷积神经网络和长短期记忆网络相结合的C-LSTM的输入特征；/n步骤2，从输入特征、网络结构和训练方法三个方面对步骤1构建的方法进行训练优化，训练优化项目包括主成分分析的特征优化、卷积神经网络和长短期记忆网络相结合的C-LSTM滞后期数优化、卷积神经网络和长短期记忆网络网络相结合的C-LSTM结构优化、卷积神经网络和长短期记忆网络相结合的C-LSTM训练方法优化、基于GPU的并行优化；/n输入特征方面，选取18个指标数据作为输入特征，18个指标数据分为四大类：基本交易数据、技术指标数据、美元指数和国家经济指标，将这四类指标进行组合，并基于主成分分析法进行输入特征的优化，研究不同指标对预测精度的影响并选取最佳的输入特征，然后实验研究滞后期数对预测精度的影响，从而选择最佳的滞后期数；/n网络结构方面，根据网格搜索算法研究最佳的隐藏层结构大小，通过改变不同的卷积神经网络和长短期记忆网络的结合方式，研究不同的算法结合方式对预测精度的影响，选择最佳的隐藏层大小和算法结合方式；/n训练方法方面，采用Adam、SGD以及RMSProp方法进行网络的训练，通过对比训练后的算法预测精度以及在训练过程中，损失函数随迭代次数的变化情况和收敛速度，研究不同的训练方法对训练效果和预测精度的影响，最终选择合适的训练方法。/n