基于多机器学习的股票预测方法及系统技术方案

本发明专利技术提出一种基于多机器学习的股票预测方法及系统，方法包括以下步骤：获取股票交易历史数据，并基于特征选择和实际操作经验选择数据的模型，以作为训练的输入训练集；基于神经网络理论构建神经网络模型，其中，神经网络模块包括输入层、第一至第三隐藏层和输出层；基于决策树算法和极限向量机算法，根据输入训练集和神经网络模型构建决策模型，并根据决策模型得到股票预测结果及股票交易建议。本发明专利技术能够准确预测股票走势，并给出合理的股票交易建议，具有预测结果准确度高的优点。

【技术实现步骤摘要】

本专利技术涉及股票量化
，特别涉及一种基于多机器学习的股票预测方法及系统。
技术介绍
数据分析挖掘可以定义为“数据中的知识发现”。包括以下几个步骤，第一步为清理数据，主要指删除不一致数据并去除数据噪声；第二步是集成数据，由于数据来源多样，故需要将其组合起来；第三步是对数据进行选择，剔除无关数据，提取和任务相关的数据；第四步是对数据进行变化，使数据统一形式或者变换成适合挖掘的数据格式；第五步是使用数据挖掘分析算法智能分析数据，提取出数据模式；第六步是模式评估，根据需求确定度量方向，识别出最准确的模式，并给出相应指标；第七步是可视化的知识表示，通过可视化等表示技术提供知识挖掘的最终结果。预测是一种重要的数据分析形式，数据预测是一个由学习阶段和预测阶段组成的两阶段过程，在第一阶段即学习阶段通过从训练集“学习”或者分析分类算法构造分类器。数据库中数据的元组(样本)以及与其相关联的类符号组成了训练集。由于类标号的存在，整个训练过程是有监督的，可以把学习阶段看作学习一个映射函数，输入输出都是既定的。而在第二阶段，主要是使用模型对测试集数据进行预测，评估预测准确率等指标。所谓准确率是指是指本文档来自技高网...

【技术保护点】
一种基于多机器学习的股票预测方法，其特征在于，包括以下步骤：获取股票交易历史数据，并基于特征选择和实际操作经验选择数据的模型，以作为训练的输入训练集；基于神经网络理论构建神经网络模型，其中，所述神经网络模块包括输入层、第一至第三隐藏层和输出层；基于决策树算法和极限向量机算法，根据所述输入训练集和所述神经网络模型构建决策模型，并根据所述决策模型得到股票预测结果及股票交易建议。

【技术特征摘要】
1.一种基于多机器学习的股票预测方法，其特征在于，包括以下步骤：获取股票交易历史数据，并基于特征选择和实际操作经验选择数据的模型，以作为训练的输入训练集；基于神经网络理论构建神经网络模型，其中，所述神经网络模块包括输入层、第一至第三隐藏层和输出层；基于决策树算法和极限向量机算法，根据所述输入训练集和所述神经网络模型构建决策模型，并根据所述决策模型得到股票预测结果及股票交易建议。2.根据权利要求1所述的基于多机器学习的股票预测方法，其特征在于，所述基于特征选择和实际操作经验选择数据的模型，具体包括：从所述股票交易历史数据中选取前六天的股票参数来预测第七天的股票；通过关联分析，选取股票的昨日收盘价、开盘价、最高价、最低价、收盘价、成交量作为模型输入的参数。3.根据权利要求1所述的基于多机器学习的股票预测方法，其特征在于，所述神经网络模型，包括：维度为6*6的线性输入层作为所述输入层；Sigmoid函数作为激活函数的隐藏节点数为9的第一隐藏层；Sigmoid函数作为激活函数的隐藏节点数为7的第二隐藏层；Sigmoid函数作为激活函数的隐藏节点数为5的第三隐藏层；Tanh函数作为激活函数的所述输出层。4.根据权利要求2所述的基于多机器学习的股票预测方法，其特征在于，所述基于决策树算法和极限向量机算法，根据所述输入训练集和所述神经网络模型构建及决策模型，并根据所述决策模型得到股票预测结果，进一步包括：基于决策树算法，根据所述模型输入的参数预测第七天的昨日收盘价、开盘价、最高价、最低价、收盘价、成交量；基于极限向量机算法，根据所述模型输入的参数预测第七天的昨日收盘价、开盘价、最高价、最低价、收盘价、成交量；根据所述神经网络模型和所述模型输入的参数预测第七天的昨日收盘价、开盘价、最高价、最低价、收盘价、成交量；根据所述决策树算法得到的预测结果、极限向量机算法得到的预测结果和所述神经网络模型的到的预测结果得...

【专利技术属性】
技术研发人员：黄双喜，杨天祺，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11