一种外汇时间序列预测的构建方法技术

本发明专利技术公开了一种外汇时间序列预测的构建方法，涉及外汇时间序列数据领域。该方法使用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，提出了一种包括输入层、隐藏层、输出层、网络训练和网络预测的五个功能模块的网络结构的构建方法，构建方法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；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；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，结合卷积神经网络和长短期记忆网络算法的优势，提出了一种外汇时间序列预测的构建方法，基于构建的该方法更好地分析挖掘外汇时间序列数据的时空特征。

A construction method of Forex time series forecast

【技术实现步骤摘要】
一种外汇时间序列预测的构建方法
本专利技术涉及外汇时间序列数据领域，具体涉及一种外汇时间序列预测的构建方法。
技术介绍
外汇市场对世界经济的健康发展起到关键作用，外汇时间序列数据波动剧烈，影响其波动的因素众多，是金融市场中最难分析预测的金融衍生品之一，传统的分析预测方法早已力不从心。在大数据时代，随着数据量的不断增长和计算力的迅速提高，深度学习技术在图像识别、自然语言处理、语音识别等领域取得了重大突破，许多学者开始将深度学习技术应用到外汇时间序列分析中，并已取得一定的研究成果，但由于外汇时间序列数据噪声大，随机性强，影响其波动的因素众多，因此，深度学习技术在外汇时间序列分析中的应用研究还需不断探究和完善。目前，外汇时间序列主要有两类分析方法：(1)传统统计学方法传统统计学方法通过统计学方法建立数学模型，拟合历史外汇时间序列数据，然后通过所建模型预测未来外汇时间序列。常见的方法有MA(MovingAverage，移动平均)模型，ARIMA(AutoRegressiveIntegratedMovingAverage，自回归移本文档来自技高网...

【技术保护点】
1.一种外汇时间序列预测的构建方法，其特征在于，包括以下步骤：/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的网络结构；/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-LST...

【技术特征摘要】
1.一种外汇时间序列预测的构建方法，其特征在于，包括以下步骤：
1-1，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：
1-1-1，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的网络结构；
1-1-2，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；
1-2，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；
1-3，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；
1-4，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。


2.如权利要求1所述的一种外汇时间序列预测的构建方法，其特征在于，选择relu函数作为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，网络结构中加入激活函数后，神经网络具有非线性系统的拟合能力。


3.如权利要求1所述的一种外汇时间序列预测的构建方法，其特征在于，选用均方误差作为损失函数，损失函数为式(1)所示，



其中，yi为数据序列batch中第i个数据所对应的正确答案，为第i个数据所对应的神经网络预测值。


4.如权利要求1所述的一种外汇时间序列预测的构建方法，其特征在于，所述步骤1中，通过交易类指标计算得出技术指标，常用的技术指标包括移动平行线和平滑异同移动平行线，移动平行线和平滑异同移动平行线用于反映当前汇价变动的趋势，通过反趋势指标判断趋势转折点，反趋势指标包括随机指标、乖离率、相对强弱指标和价格变动率。


5.如权利要求4所述的一种外汇时间序列预...

【专利技术属性】
技术研发人员：张金泉，李玉洁，倪丽娜，张泽坤，栾文静，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：山东;37