智能终端及其基于LSTM的股票趋势预测方法技术

本申请涉及一种智能终端及其基于LSTM的股票趋势预测方法，包括：获取目标股票的历史数据，进行数据清洗、归一化，按照时间划分为训练数据集与测试数据集；对训练数据进行离线模型训练，以分别训练LSTM的多个神经网络模型；获取训练数据对于多个神经网络模型输出的预测值列表，并与实际的股票趋势值进行比较，计算得到多个神经网络模型作为组合模型时所占的权重值；利用测试数据集的测试数据对组合模型中的多个神经网络模型评估预测效果，以此调整所述多个神经网络模型作为组合模型时所占的权重值。本申请通过组合模型的方式，避免单个LSTM模型的简单预测方法误差较大且实用性较低的问题。

Intelligent terminal and its stock prediction method based on LSTM

The invention relates to an intelligent terminal and the stock trend based on LSTM prediction method, including the historical data acquisition of the target stock, data cleansing, normalization, in accordance with the time divided into training data set and test data set; off-line training model of training data, using multiple neural network models were trained in LSTM obtaining training; the data for the prediction of multiple neural network model output value list, and compared with the actual value of the stock trend, the weight calculated by multiple neural network model as a combination model for value; test data with test data set assessment of the forecasting effect of multiple neural network model in the combined model, in order to adjust the weights of the multiple neural network model as a combination model for value. This application avoids the problem that the simple forecasting method of single LSTM model has large error and low practicability through the combination model.

【技术实现步骤摘要】
智能终端及其基于LSTM的股票趋势预测方法
本申请涉及人工智能
，具体涉及一种基于LSTM(Long-ShortTermMemory，长短期记忆神经网络)的股票趋势预测方法，还涉及一种执行并实现该方法的智能终端。
技术介绍
股票交易市场是经济运行的晴雨表。投资者如果能够精确的把握股票市场的变化规律，不仅可以获取巨大收益，还可以规避投资风险。对于政府监管而言，既可以提前制定合理政策以引导市场健康发展，也可以对上市公司提前预警风险。因此，股票市场趋势预测一直以来都是一个涉及到国计民生的关键问题，既是投资者追求的圣杯，也是金融市场监管的难点。但是，股票市场变化涉及到政治、经济、文化等诸多方面的影响因素，目前并不存在一个完美的预测方案。股票预测一直以来都是学术界和金融界的研究热点。自从股票市场诞生以来，众多国家的科学家和专业人士先后尝试了各种方法来预测股票价格的时间序列，其中包括统计学方法，计量经济学模型，人工智能与机器学习等。现有技术中，沿用至今的分析方法大致上可以分为基本面分析法与技术分析法两大类。其中基本面分析法着手点在于国家经济政策与公司的基本面等信息，而技术分析方法则侧重利用历史数据带入数学模型或机器中来训练和演算。具体而言，基本面分析方法，是通过宏观国家经济政策、世界经济局势、企业基本盈利状态和未来行业发展前景等基本面因素来研究公司股票价格变动趋势的。常用的分析面主要包括宏观经济政策、企业基本盈利状态、行业发展前景等。但是基本面分析方法中的影响因素极难定量，并且其影响因素一般都处于一个长期的经济周期中，需要学者们实时跟踪才能真正在预测股价走向时有所帮助。技术分析法相比基本面分析来说，是量化研究价格走势方法。主要依靠的是股票的量化指标，如开盘价、收盘价和成交量等。从作用上讲，技术分析法比较注重市场本身的运行规律，其适合于对市场进行短期分析，但是难以预测价格的长远趋势。技术分析重视数量方面的变化，并通过相关因素数量上的变化研究与分析目标的相关性。技术分析依赖的理论前提主要有两个，首先是历史数据代表市场发展过程，其次是价格变动具有趋势性与自影响性。目前较为常见的技术分析方法主要分为两类：1)以ARIMA(自回归移动平均模型，AutoregressiveIntegratedMovingAverageModel)、ARCH模型为代表的传统时间序列分析方法；2)近年来兴起的机器学习方法。传统时间序列分析方法主要是通过将时间序列数据分解为趋势项、周期项与噪音项三个部分，从而实现预测。为了实现这个分解，往往需要平稳性、可逆性、正态分布等假设前提，对于不平稳序列还需要通过差分等手段将非平稳时间序列转换为平稳时间序列。但是，机器学习方法主要是通过海量数据的训练来最小化损失函数，从而实现拟合数据特征，实现预测未来走向的目的。此外，目前有现有方案是使用单个LSTM模型进行股票预测的方法，LSTM模型是循环神经网络模型的一个变种，能够解决时间序列分析中的长时依赖问题。但是，现有方法中使用单个LSTM模型进行预测的缺点较多：首先，LSTM模型作为一种深度学习模型，需要大量数据进行训练，而现有的模型仅使用单支股票的历史交易数据进行日线预测，数据量过小，即使是1991年就已经上市的公司，其至今的股票日线数据也仅有不到9000条，与训练LSTM模型所需要的海量数据相比差距甚大；其次，单个LSTM模型的训练方式实际上是在预测每个时刻向上或者向上的动量，无法实现对未来较长一段时间的预测。因而，虽然现有技术使用单个LSTM模型实现了与真实曲线几乎一致的预测曲线，但是其结果具有一定的迷惑性。因为其预测曲线由对各个时刻分别预测的单一预测点组成，预测的起点使用的是上一段时间的真实历史数据，但后续预测点都是由前一个预测点的真实数据来预测。这样会导致即使每个时刻都具有较大偏差(最终结果可能会与真实曲线接近)，因此现有的基于单个LSTM模型的简单预测方法误差较大且实用性较低。
技术实现思路
基于此，有必要针对上述LSTM模型的简单预测方法误差较大且实用性较低的问题，提供一种智能终端及其基于LSTM的股票趋势预测方法，能够提高对于股票趋势预测的准确度，有效地减小误差，在一定程度上把握比如多方力量影响下的股票走势。一种基于LSTM的股票趋势预测方法，所述基于LSTM的股票趋势预测方法包括：获取目标股票的历史数据；将所述历史数据进行数据清洗、归一化；将清洗归一化后的历史数据按照时间划分为训练数据集与测试数据集；对所述训练数据集的训练数据进行离线模型训练，以分别训练长短期记忆神经网络LSTM的多个神经网络模型；获取训练数据对于训练后的多个神经网络模型输出的预测值列表，将所述预测值列表与实际的股票趋势值进行比较，计算得到多个神经网络模型作为组合模型时所占的权重值；利用测试数据集的测试数据对组合模型中的多个神经网络模型评估预测效果，根据预测效果调整所述多个神经网络模型作为组合模型时所占的权重值。一种智能终端，所述智能终端包括处理器，所述处理器用于读取并执行程序数据，可实现上述的基于LSTM的股票趋势预测方法。上述基于LSTM的股票趋势预测方法通过将历史数据按照时间划分为训练数据集与测试数据集，对所述训练数据集的训练数据进行离线模型训练，以分别训练LSTM的多个神经网络模型，接着，获取训练数据对于训练后的多个神经网络模型输出的预测值列表，并将所述预测值列表与实际的股票趋势值进行比较，以计算得到多个神经网络模型作为组合模型时所占的权重值，最终，利用测试数据集的测试数据对组合模型中的多个神经网络模型评估预测效果，根据预测效果调整所述多个神经网络模型作为组合模型时所占的权重值。本申请通过组合模型的方式，避免单个LSTM模型的简单预测方法误差较大且实用性较低的问题，并通过计算调整组合模型的权重值，进一步提高预测的准确性。本申请能够提高对于股票趋势预测的准确度，有效地减小误差，在一定程度上把握比如多方力量影响下的股票走势。附图说明图1为一实施例中基于LSTM的股票趋势预测方法的流程示意图；图2为一实施例中智能终端的模块框图。具体实施方式请参阅图1，图1为一实施例中基于LSTM的股票趋势预测方法的流程示意图。在图1所示实施例中，本实施例的所述基于LSTM的股票趋势预测方法包括但不限于如下步骤。S100、获取目标股票的历史数据。在S100中，所述获取目标股票的历史数据，本实施例具体可以包括：获取目标股票、目标股票的同一板块、所在大盘、其他相关股票、和/或房价等相关领域数据进行融合，以综合得到所述目标股票的历史数据。进一步而言，所述以综合得到所述目标股票的历史数据，在本实施例中可以包括如下过程：根据目标股票的数据分布特点，使用接受-拒绝采样方法，选取分布相似的目标股票的同一板块、所在大盘、其他相关股票、和/或房价等相关领域数据，与目标股票的数据一并构成原始的所述历史数据。不难看出，针对现有实际情况中，股票历史交易数据过少的问题，将股票所在大盘的历史数据，以及同一板块股票的历史交易数据等等，作为股票相关历史数据，可以有效地解决存在的历史数据的数据量过少的问题。S101、将所述历史数据进行数据清洗、归一化。S102、将清洗归一化后的历史数据按照时间划分为训练数据集与本文档来自技高网...

【技术保护点】
一种基于长短期记忆神经网络的股票趋势预测方法，其特征在于，所述基于长短期记忆神经网络的股票趋势预测方法包括：获取目标股票的历史数据；将所述历史数据进行数据清洗、归一化；将清洗归一化后的历史数据按照时间划分为训练数据集与测试数据集；对所述训练数据集的训练数据进行离线模型训练，以分别训练长短期记忆神经网络LSTM的多个神经网络模型；获取训练数据对于训练后的多个神经网络模型输出的预测值列表，将所述预测值列表与实际的股票趋势值进行比较，计算得到多个神经网络模型作为组合模型时所占的权重值；利用测试数据集的测试数据对组合模型中的多个神经网络模型评估预测效果，根据预测效果调整所述多个神经网络模型作为组合模型时所占的权重值。

【技术特征摘要】
1.一种基于长短期记忆神经网络的股票趋势预测方法，其特征在于，所述基于长短期记忆神经网络的股票趋势预测方法包括：获取目标股票的历史数据；将所述历史数据进行数据清洗、归一化；将清洗归一化后的历史数据按照时间划分为训练数据集与测试数据集；对所述训练数据集的训练数据进行离线模型训练，以分别训练长短期记忆神经网络LSTM的多个神经网络模型；获取训练数据对于训练后的多个神经网络模型输出的预测值列表，将所述预测值列表与实际的股票趋势值进行比较，计算得到多个神经网络模型作为组合模型时所占的权重值；利用测试数据集的测试数据对组合模型中的多个神经网络模型评估预测效果，根据预测效果调整所述多个神经网络模型作为组合模型时所占的权重值。2.根据权利要求1所述的股票趋势预测方法，其特征在于，所述根据预测效果调整所述多个神经网络模型作为组合模型时所占的权重值之后，还包括：使用滚动时间窗口的方式对未来预定时间段的股票趋势具体数值进行预测。3.根据权利要求2所述的股票趋势预测方法，其特征在于，所述使用滚动窗口的方式对未来预定时间段的股票趋势进行预测，包括：将组合模型预测的涨跌幅转换为被预测时刻的预测数值，再将当前预测出的预测数值，填入下一被预测时刻的时间窗口，并依此交替循环；当获取到目标股票实际变化趋势的实际数值时，将预测数值与实际数值对比，并根据对比结果将实际数值作为一组新的训练数据，代入模型以更新模型参数。4.根据权利要求1所述的股票趋势预测方法，其特征在于，所述获取目标股票的历史数据，包括：获取目标股票、目标股票的同一板块、所在大盘、其他相关股票、和/或房价等相关领域数据进行融合，以综合得到所述目标股票的历史数据。5.根据权利要求4所述的股票趋势预测方法，其特征在于，所述以综合得到所述目标股票的历史数据，具体包括：根据目标股票的数据分布特点，使用接受-拒绝采样方法，选取分布相似的目标股票的同一板块、所在大盘、其他相关股票、和/或房价等相关领域数据，与目标股票...

【专利技术属性】
技术研发人员：张璐，范小朋，须成忠，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：广东,44