基于跨市场影响的股价预测方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种基于跨市场影响的股价预测方法，该预测方法包括：将多个股票市场的股票的数据分别输入到特征提取神经网络，以提取该多个股票市场的股票的特征数据；将该多个市场的特征数据输入到多维长短期记忆网络，以预测该多个股票市场中的一个股票市场的股票价格波动。本发明专利技术通过将多个股票市场的股票的数据分别输入到特征提取神经网络模型中，即可获得多个股票市场的股票的特征数据，将该特征数据输入到多维长短期记忆网络模型中，即可预测某个股票市场的股价波动趋势。本发明专利技术的多维长短期记忆网络模型可以刻画多个市场之间的相互关联性，使得预测准确性高。该方法使用方便，且效率高，适应金融市场的快速变幻。

Stock price forecasting methods, devices, devices and storage media based on cross-market effects

The invention discloses a stock price forecasting method based on cross-market influence, which includes: input the data of stocks in multiple stock markets into feature extraction neural network respectively to extract the characteristic data of stocks in multiple stock markets; input the characteristic data of multiple markets into multi-dimensional long-term and short-term memory network to predict one stock in the multiple stock markets. Stock prices fluctuate in the ticket market. By inputting the data of stocks of multiple stock markets into the feature extraction neural network model, the characteristic data of stocks of multiple stock markets can be obtained. By inputting the characteristic data into the multi-dimensional long-term and short-term memory network model, the fluctuation trend of stock prices in a stock market can be predicted. The multi-dimensional long-term and short-term memory network model of the present invention can depict the correlation among multiple markets, so that the prediction accuracy is high. This method is easy to use, efficient and adapts to the rapid change of financial market.

【技术实现步骤摘要】
基于跨市场影响的股价预测方法、装置、设备及存储介质
本专利技术涉及人工智能领域，尤其是涉及一种基于跨市场影响的股价预测方法、装置、设备及存储介质。
技术介绍
LSTM：longshorttermmemory的缩写，中文名称为长短期记忆。ReLu激活函数：是神经网络中的一个激活函数。BatchNormalization操作：神经网络中的一个算法。Z-score标准化：数据标准化处理的一种方法，中文名称为零-均值规范化。在资本市场上，多品种的股票之间会互相影响。如美股股价的上升或下跌可能会对A股市场产生一定影响，而A股股市的波动可能不会对美股造成影响。现有技术中，如图1所示，构建一维LSTM模型预测多个股票市场相互之间的影响，这里的一维指的是神经元只有一个输入门结构。网络的输入向量表示中国市场A股的特征数据，表示香港股票的特征数据，表示美国股票的特征数据，表示待预测的A股的股价数据。对于这三个市场的特征数据，直接使用拼接的方式进行合并。这样的合并简单明了且易于理解，但是并没有很直接的刻画出三个市场的股票数据的相关性，而是仅仅通过神经网络的非线性关系去捕捉各市场间潜在的关联性。
技术实现思路
本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术的一个目的是提供一种事件驱动型的股价预测方法、装置、设备及存储介质。本专利技术所采用的技术方案是：第一方面，本专利技术提供一种基于跨市场影响的股价预测方法，该预测方法包括：将多个股票市场的股票的数据分别输入到特征提取神经网络，以提取该多个股票市场的股票的特征数据；将该多个市场的特征数据输入到多维长短期记忆网络，以预测该多个股票市场中的一个股票市场的股票价格波动。其中，该多个股票市场为A股市场、港股市场及美股市场，该多维长短期记忆网络为三维长短期记忆网络，该一个股票市场为A股市场。其中，该三维长短期记忆网络的模型具有四层隐含层，该四层隐含层分别为及表示A股t时刻隐含层状态，表示港股t时刻隐含层状态，表示美股t时刻隐含层状态，表示A股在t时刻受港股和美股影响后隐含层状态；该三维长短期记忆网络模型的前向传播推导公式如下：其中，Yt为输出层的输出向量；Wah为A股的输入向量与A股LSTM层间权重，WAA为A股LSTM层节点之间的权重；WhH为港股的输入向量与港股LSTM层间权重，WHH为港股LSTM层节点之间的权重；WdD为美股的输入向量与美股LSTM层间权重，WDD为美股LSTM层节点之间的权重；WAA'为A股LSTM层输出向量与A′层间权重，WHA'为港股LSTM层输出向量与A′层间权重，WDA'为美股LSTM层输出向量与A′层间权重，WA'A'为A′层节点之间权重，WA'为A′层与输出层间权重，WA为A层与输出层间权重。其中，该三维长短期记忆网络的模型包括第一神经元节点和第二神经元节点，该第一神经元节点用于刻画同一天A股和港股之间的相互关系影响以及前一晚美股对A股的影响，该第一神经元节点通过在传统的LSTM模型的门结构增加两个遗忘门以对应港股和美股的输入状态，该第二神经元节点用于刻画t-1时刻的A股对t时刻的美股的影响，该第二神经元节点通过在传统LSTM模型的门结构上增加一个遗忘门用来处理该第一神经元节点输出的状态信息。其中，该股票的该数据包括结构化数据和非结构化数据，该结构化数据包括股票的行情数据、基本面数据及宏观经济指标数据，该非结构化数据为该股票的文本信息数据。其中，该将多个股票市场的股票的数据输入到特征提取神经网络，以提取该多个股票市场的股票的特征数据的步骤具体包括：获取该股票的结构化数据，将该结构化数据输入到显著卷积神经网络，以获取该结构化数据的特征数据；和获取该股票的非结构化数据，将该非结构化数据通过word2vector提取到词窗口信息，将该词窗口信息输入到卷积神经网络，以获取该非结构化数据的特征数据；将该结构化数据的特征数据和该非结构化数据的特征数据合并，以获得该股票的特征数据。其中，该获取该股票的结构化数据，将该结构化数据输入到显著卷积神经网络，以获取该结构化数据的特征数据的步骤具体包括：通过第三方API接口或数据库接口获取该股票的该结构化数据；将该股票的该结构化数据进行预处理，获取该股票的日频的行情数据、该股票的季度频的基本面数据及部分直接影响该训练股票价格的月频的宏观数据；将该股票的日频的行情数据、该股票的季度频的基本面数据及部分直接影响该股票价格的月频的宏观数据用混频时序矩阵进行表示；通过该显著卷积神经网络对该混频时序矩阵进行特征的提取，以获取该股票的结构化数据的特征数据。其中，该将该股票的该结构化数据进行预处理的步骤具体包括：对该行情数据进行价格数据复权、缺失值处理及Z-score标准化处理；对该基本面数据进行极端值处理、缺失值处理及标准化处理；对该宏观经济数据进行Z-score标准化处理。其中，该显著卷积神经网络为多重卷积神经网络，在该显著卷积神经网络模型中，卷积核均为多维的卷积核，卷积核的大小不是固定的，最初的卷积核是一维的，在从左往右依次卷积的过程中，卷积核的大小是不断的增加直到达到固定的大小，在每一层卷积层之后都加入了ReLu激活函数和BatchNormalization操作。其中，该卷积神经网络为一层的卷积神经网络，在该卷积神经网络模型中，在卷积层之后添加了ReLu激活函数，并对该激活函数的输出结果进行了最大池化的操作。第二方面，本专利技术提供一种基于跨市场影响的股价预测装置，其中，该股价预测装置包括：股票特征数据获取模块，用于将多个股票市场的股票的数据分别输入到特征提取神经网络，以提取该多个股票市场的股票的特征数据；股票市场价格预测模块，用于将该多个市场的特征数据输入到多维长短期记忆网络，以预测该多个股票市场中的一个股票市场的股票价格波动。第三方面，本专利技术提供一种基于跨市场影响的股价预测设备，其中，包括至少一个处理器；以及，与该至少一个处理器通信连接的存储器；其中，该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行上述的方法。第四方面，本专利技术提供一种计算机可读存储介质，其中，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令用于使计算机执行上述的方法。本专利技术的有益效果是：本专利技术通过将多个股票市场的股票的数据分别输入到特征提取神经网络模型中，即可获得多个股票市场的股票的特征数据，将该特征数据输入到多维长短期记忆网络模型中，即可预测某个股票市场的股价波动趋势。本专利技术的多维长短期记忆网络模型可以刻画多个市场之间的相互关联性，使得预测准确性高。该方法使用方便，且效率高，适应金融市场的快速变幻。进一步地，本专利技术采用显著卷积神经网络对股票的结构化数据进行特征提取，由于股票的非结构化数据为频率不一致的混频时序数据，该显著卷积神经网络通过多维卷积神经网络解决了对多维混频时序数据特征提取的问题。本专利技术可广泛应用于基于跨市场预测某个股票市场的股票走势。附图说明图1是现有技术基于跨市场影响的股价预测方法的一实施例的预测模型的结构示意图；图2是本专利技术基于跨市场影响的股价预测方法的一实施例的流程示意图；图3是图2的步骤S11的流程示意图；图4是图3的步骤S111中显著卷积神经网络模型本文档来自技高网...

【技术保护点】
1.一种基于跨市场影响的股价预测方法，其特征在于，包括：将多个股票市场的股票的数据分别输入到特征提取神经网络，以提取所述多个股票市场的股票的特征数据；将所述多个股票市场的所述特征数据输入到多维长短期记忆网络，以预测所述多个股票市场中的一个股票市场的股票价格波动。

【技术特征摘要】
1.一种基于跨市场影响的股价预测方法，其特征在于，包括：将多个股票市场的股票的数据分别输入到特征提取神经网络，以提取所述多个股票市场的股票的特征数据；将所述多个股票市场的所述特征数据输入到多维长短期记忆网络，以预测所述多个股票市场中的一个股票市场的股票价格波动。2.根据权利要求1所述的股价预测方法，其特征在于，所述多个股票市场为A股市场、港股市场及美股市场，所述多维长短期记忆网络为三维长短期记忆网络，所述一个股票市场为A股市场。3.根据权利要求2所述的股价预测方法，其特征在于，所述三维长短期记忆网络的模型具有四层隐含层，所述四层隐含层分别为及表示A股t时刻隐含层状态，表示港股t时刻隐含层状态，表示美股t时刻隐含层状态，表示A股在t时刻受港股和美股影响后隐含层状态；所述三维长短期记忆网络模型的前向传播推导公式如下：其中，Yt为输出层的输出向量；Wah为A股的输入向量与A股LSTM层间权重，WAA为A股LSTM层节点之间的权重；WhH为港股的输入向量与港股LSTM层间权重，WHH为港股LSTM层节点之间的权重；WdD为美股的输入向量与美股LSTM层间权重，WDD为美股LSTM层节点之间的权重；WAA'为A股LSTM层输出向量与A′层间权重，WHA'为港股LSTM层输出向量与A′层间权重，WDA'为美股LSTM层输出向量与A′层间权重，WA'A'为A′层节点之间权重，WA'为A′层与输出层间权重，WA为A层与输出层间权重。4.根据权利要求2所述的股价预测方法，其特征在于，所述三维长短期记忆网络的模型包括第一神经元节点和第二神经元节点，所述第一神经元节点用于刻画同一天A股和港股之间的相互关系影响以及前一晚美股对A股的影响，所述第一神经元节点通过在传统的LSTM模型的门结构增加两个遗忘门以对应港股和美股的输入状态，所述第二神经元节点用于刻画t-1时刻的A股对t时刻的美股的影响，所述第二神经元节点通过在传统LSTM模型的门结构上增加一个遗忘门用来处理所述第一神经元节点输出的状态信息。5.根据权利要求1所述的股价预测方法，其特征在于，所述股票的所述数据包括结构化数据和非结构化数据，所述结构化数据包括股票的行情数据、基本面数据及宏观经济指标数据，所述非结构化数据为所述股票的文本信息数据。6.根据权利要求5所述的股价预测方法，其特征在于，所述将多个股票市场的股票的数据分别输入到特征提取神经网络，以提取所述多个股票市场的所述股票的特征数据的步骤具体包括：获取所述股票的结构化数据，将所述结构化数据输入到显著卷积神经网络，以获取所述结构化数据的特征数据；和获取所述股票的非结构化数据，将所述非结构化数据通过word2vector提取到词窗口信息，将所述词窗口信息输入到卷积神...

【专利技术属性】
技术研发人员：张晓峰，朱俊璋，何震宇，
申请(专利权)人：哈尔滨工业大学深圳，
类型：发明
国别省市：广东,44