一种基于深度学习的股票市场预测方法技术
A stock market prediction method based on depth learning
Based on deep learning of the stock market price forecasting methods, including: data preprocessing, construction of LSTM DCC stock market forecasting model. Combining the advantages of the expanded causal convolution network and recurrent neural network, the invention can automatically learn the data characteristics of the stock's own sequence and related factors, and predict the future price and its trend.
【技术实现步骤摘要】
一种基于深度学习的股票市场预测方法
本专利技术专利涉及一种基于深度学习的股票市场价格预测方法。
技术介绍
金融领域是国家经济运转的重心，而股票市场在一个侧面也能反应一个国家的整体经济状况，并且随着国家经济的发展，人们对资本管理亦更加重视，投资理财也成为了一种常态，因此对股票市场时间序列数据进行分析建模，预测未来一段时间的股票市场走势具有重大实际意义。股票市场时间序列数据相比与一般的时间序列数据(气温、风力等)具有数据维度高、非线性、非平稳等特点，这些特点使得针对股票市场的时间序列数据的预测成为一个研究难点和热点。股票市场预测问题的本质可以归结为时间序列预测问题，时间序列是指将某种统计指标在不同时刻所表示的数值按照其发生的先后顺序排列而成的序列，时间序列数据则是时间序列所反应的实际数据。由于股票市场的变化还与其他外部影响因素有关所以股票市场预测问题又属于多条件时间序列预测问题。时间序列预测通用模型包括经典的自回归模型(AR)、滑动平均模型(MA)以及结合这二者的自回归滑动平均模型ARMA模型(IieTransactions，2015)，同时由于时间序列数据通常呈现出...
【技术保护点】
一种基于深度学习的股票市场预测方法，包括以下步骤：(1)数据预处理；(1.1)特征筛选；计算影响因素与股票市场时间序列的相关性，采用Pearson相关系数作为评价依据，Pearson相关系数用以度量两个变量之间的相关程度其计算公式如下：
【技术特征摘要】
1.一种基于深度学习的股票市场预测方法，包括以下步骤：(1)数据预处理；(1.1)特征筛选；计算影响因素与股票市场时间序列的相关性，采用Pearson相关系数作为评价依据，Pearson相关系数用以度量两个变量之间的相关程度其计算公式如下：其中r表示Pearson相关系数,取值范围为[-1,1]，其中0表示不相关，其值越接近1则正相关性越大，越接近-1则是负相关性越大；x和y为两个数据特征变量；Cov(x,y)表示协方差，σx，σy表示标准差；通过以上计算结果可以知道两个数据特征变量之间的相关程度，如上证指数与美国市场标普500的相关程度、上证指数与人民币-美元汇率的相关程度、上证指数与恒生指数的相关性；Pearson相关系数的绝对值越接近0则相关程度越弱，r的值作为特征选择的依据，剔除弱相关性的相应特征即相关系数r的绝对值小于0.3；(1.2)归一化处理；由于股票市场序列数据与其他影响因素数据在数值上相差较大且有较到的波动，故必须对这些数据进行归一化处理，其方法是将各类数值缩放到同一尺度，其计算公式如下：其中x为原始数值，xmin为当前维度所有数据中数值最小的值，xmax为当前维度所有数据中数值最大的值,x*为缩放后的数值；(2)构建LSTM-DCC股票市场预测模型；将长短期记忆网络LSTM和扩张因果卷积网络DCC相结合，设计了一种混合深度学习模型，称为LSTM-DCC网络，LSTM的任务是提取序列的粗粒度特征，并降低输入数据特征维度，DCC网络通过扩张卷积操作可以同时利用不同时间间隔长度的序列特征；设股票市场时间序列数据为X＝(xt，x2，...，xt-1，xt)，xt是t时刻的股票市场，则股票市场预测问题即是根据已知时间序列数据X，求得xt+1时刻的最大似然估计p(x)：xt+1时刻的值将会完全利用到序列之前所有时间步信息；针对多条件股票市场序列数据...
【专利技术属性】
技术研发人员：张元鸣，沈志鹏，蒋建波，肖刚，高飞，陆佳炜，徐俊，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。