一种基于储备池算法的股指预测方法技术

本发明专利技术属于计算机技术领域，提供一种基于储备池算法的股指预测方法，该方法适用于不同交易市场的股指预测，方法包括如下步骤：收集不同交易市场的股指的历史数据作为源数据；将收集到的数据按照训练集、验证集和测试集划分开；设置好储备池算法中的每个参数的备选集合；对不同交易市场的股指数据进行独立的训练、验证和测试。本发明专利技术提出一种新的非线性时序预测的深度学习算法，和传统深度学习算法相比，能够在节省资源的同时，提升预测的准确率。

A stock index prediction method based on reserve pool algorithm

【技术实现步骤摘要】
一种基于储备池算法的股指预测方法
本专利技术属于计算机
，具体涉及一种基于储备池算法的股指预测方法。
技术介绍
深度学习是促使人工智能发展的一个重要算法，作为主要的神经网络的算法，自深度学习这一概念由Hinton等人在2006年提出之后，它在自然语言处理，图像处理，语音处理，时序预测等诸多邻域取得了非凡的成就，受到了巨大的关注。深度学习的进步得及得益于算法的提升演化，其中硬件设备的计算能力提升也不容小觑。虽然现阶段深度学习算法已经拥有强大的数据分析预测能力，但依旧面临着超大计算量的问题，深度学习得益于庞大的计算量，同时也受限于由于计算力小球而导致的应用环境的局限性。因此关于如何简化庞大计算量变得越来越重要。现有的深度学习的算法，例如卷积网络神经网络，是在通过大量矩阵运算和非线性单元，将低维的数据映射在高维空间提取特征，用提取到的特征结合矩阵运算实现回归预测。同时，在训练过程中，设定损失函数，以最小化损失函数为原则，用反向传播的方法更新深度学习网络的矩阵权重。这样的做法，无疑是在用复杂化数据特征为代价，重新在高维空间提取有利于回归的本文档来自技高网...

【技术保护点】
1.一种基于储备池算法的股指预测方法，其特征在于，包括如下步骤：/n步骤1、综合整理不同交易市场的股指的日收盘价；/n步骤2、基于步骤1基础上，将数据分割为训练集，验证集和测试集；/n步骤3、设定储备池运算单元的数量N；/n步骤4、设定输入训练模型的历史数据长度k；/n步骤5、设定不同储备池的结构ER，SF，SW，同时设定储备池矩阵W

【技术特征摘要】
1.一种基于储备池算法的股指预测方法，其特征在于，包括如下步骤：
步骤1、综合整理不同交易市场的股指的日收盘价；
步骤2、基于步骤1基础上，将数据分割为训练集，验证集和测试集；
步骤3、设定储备池运算单元的数量N；
步骤4、设定输入训练模型的历史数据长度k；
步骤5、设定不同储备池的结构ER，SF，SW，同时设定储备池矩阵Wres；
步骤6、设定储备池的前置连接权重矩阵Win；
步骤7、设定储备池的后置连接权重矩阵Wout；
步骤8、在步骤1～7满足的条件下，构建储备池算法，定义输入输出端口；
步骤9、在步骤8满足的条件下，重复步骤2～7所示的操作，可将训练集、验证集和测试集数据输入预测系统，由验证集数据在预测系统上的表现决定最优的预测模型所具备的储备池运算单元的数量N，储备池结构，输入训练模型的历史数据长度k，储备池矩...

【专利技术属性】
技术研发人员：王唯佳，唐泳，傅翀，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51