基于kalman滤波的门控循环单元神经网络的股票价格预测方法技术

本发明专利技术公开了一种基于kalman滤波的门控循环单元神经网络的股票价格预测方法，属于深度学习和股票预测领域，S1：获取股票历史数据，将数据分为训练集和测试集，并进行预处理；S2：初始化门控循环单元神经网络预测所需的参数，构建门控循环单元神经网络模型，并对其进行训练保存；S3：使用训练好的预测模型对测试集数据进行预测，并将得到的预测结果序列使用kalman滤波算法进行去噪优化；S4：使用均方根误差和决定系数对S3中去噪优化过的结果评估预测模型的性能。通过门控循环单元神经网络对股价进行预测，同时使用kalman滤波算法对预测结果序列与真实值对比优化，从而达到更加准确的预测效果。

A method of stock price prediction based on Kalman filter and neural network of gating cycle unit

【技术实现步骤摘要】
基于kalman滤波的门控循环单元神经网络的股票价格预测方法
本专利技术属于深度学习和股票预测领域，更具体的说，涉及一种基于kalman滤波的门控循环单元神经网络的股票价格预测方法，利用历史的股票价格序列，精准地预测未来股价。
技术介绍
股票市场因其波动性大、市场种类繁多、数据冗余等特性，使得股票预测具有相当大的挑战性，股票价格的预测也一直是人们关心的问题之一，在过去一段时间里，传统的技术分析方法在股票分析与预测上发挥了非常重要的作用，但是随着股票数据量级增大，传统的技术方法可能无法满足股票价格走势的变化速度。另外，股票市场的波动性是一个非线性的多变量动态系统，仅仅依靠个人的直觉和判断对其进行预测具有相当的主观性，非常容易受主观想法的影响，致使预测结果不具有客观性。金融时间序列具有非平稳、非线性、高噪声的特点，我们看到的股票价格序列也是包含噪声的，这会使得有用的序列与噪声相重叠，使得传统的预测方式不能产生理想的预测结果。
技术实现思路
为解决现有技术中存在的不足，本专利技术提供一种基于kalman滤波的门控循环单元神经网络的股票价格预测方法，通过门控循环单元神经网络对股价进行预测，同时使用kalman滤波算法对预测结果序列与真实值对比优化，从而达到更加准确的预测效果。本专利技术为解决其技术问题所采用的技术方案是：一种基于kalman滤波的门控循环单元神经网络的股票价格预测方法，包括如下步骤：S1：获取股票历史数据，将数据分为训练集和测试集，并对训练集数据和测试集数据进行预处理；S2：初始化门控循环单元神经网络预测所需的参数，构建门控循环单元神经网络模型，使用经过预处理后的训练集数据对门控循环单元神经网络模型进行训练，得到训练好的预测模型并将其保存；S3：使用训练好的预测模型对测试集数据进行预测，并将得到的预测结果序列使用kalman滤波算法进行去噪优化；S4：使用均方根误差和决定系数对S3中去噪优化过的结果评估预测模型的性能。进一步的，所述步骤S1中训练集数据用于训练门控循环单元神经网络模型，测试集数据用于检验生成的模型是否理想。进一步的，所述股票历史数据包括开盘价、最高价、最低价、收盘价、调整收盘价以及成交量，并将所述股票历史数据作为门控循环单元神经网络模型的输入数据序列。进一步的，所述步骤S1中对训练集数据和测试集数据进行预处理包括数据标准化以及转化成门控循环单元神经网络模型所需的输入形式。进一步的，所述步骤S2中门控循环单元神经网络预测所需的参数包括hidden_size、batchsize、train_time、lr，其中hidden_size是隐藏层神经元的个数，batchsize是批处理的个数，train_time是训练次数，lr是学习率。进一步的，所述步骤S2中构建的门控循环单元神经网络模型包括输入层、隐含层和全连接层；所述输入层为股票历史数据序列，且输入层网络节点个数为N个；所述隐含层是门控循环单元神经网络结构，隐含层数设为H，隐含层内部激活函数为tanh函数；所述全连接层作为输出层，输出节点为1。进一步的，所述步骤S3具体为：将得到的预测结果序列作为kalman滤波算法中基于转移矩阵和控制输入预测的部分，通过计算kalman滤波增益，基于观测信息进行状态更新，最终调整输入的预测结果序列，以修正预测结果序列的噪声部分。进一步的，所述步骤S3中使用kalman滤波算法进行去噪优化具体为：将测试集数据作为预测模型的输入得到门控循环单元神经网络模型的预测结果序列，kalman滤波算法包括预测和修正两个部分，将上述得到的预测结果序列替代kalman滤波中的预测部分，进而对预测结果序列进行修正，具体如下式：其中，Kt为t时刻的kalman增益，Pt为t时刻被观测信息的状态的方差矩阵，Ht为状态观测矩阵，Qt为观测噪声的协方差矩阵，xt为t时刻的状态矩阵，zt为t时刻的状态观测量，pt为计算得出的更新状态的方差矩阵；T表示时间步长。进一步的，所述步骤S4具体为：对于S3中得到的去噪优化过的结果使用均方根误差和决定系数，与未使用kalman滤波算法的门控循环神经网络进行对比，评估预测模型的性能，均方根误差RMSE和决定系数R2的具体计算如下：其中为预测模型的预测值，yi为真实值，N为真实值和预测值对比次数，为yi的均值。进一步的，所述门控循环单元神经网络模型所需的输入形式为：其中，T是时间步长，D是输入数据的维度。本专利技术的有益效果是：1、用门控循环神经网络对股票数据进行训练预测，不仅可以更好的预测股票价格的非线性变化，同时门控循环单元神经网络相较于长短期记忆神经网络具有更加简单的结构，对于金融序列的预测效果也更好；2、kalman滤波可以一定程度降低股票价格序列中的噪声，使得预测结果更加接近股票价格的真实情况。附图说明图1是本专利技术流程示意图；图2是本专利技术门控循环单元原理图。具体实施方式下面结合附图和具体实施例对本专利技术做进一步说明。在互联网技术不断发展的进程中，出现了不少股票价格预测的模型，例如，采用支持向量机模型来进行特征选择以及价格预测、使用具有误差反向传播的前馈多层感知机的人工神经网络来预测股价等。在深度学习中，递归神经网络(RNN)因其能够避免长期依赖问题，故而适用于处理和预测时间序列，其中长短期记忆神经网络(LSTM)是RNN最常见的形式之一。目前LSTM已广泛应用于金融预测，而本专利技术优选采用的门控循环单元神经网络(GRU)是LSTM的一个变体，它具有与LSTM相同的特性，但是结构更加简单，使用更加方便，也更加适用于股票价格的预测。基于kalman滤波的门控循环单元神经网络的股票价格预测方法，首先用标准差标准化方法对数据集中的股票历史数据标准化；其次，用门控循环单元神经网络对多维输入数据进行训练得到相关参数的模型；接着，将测试集在训练好的模型上进行预测得到预测结果序列，并对预测结果序列使用kalman滤波优化；最后，与其他的模型进行性能指标比较，对模型进行性能评估；该方法可以预测出更加精准的股票价格。为实现上述目的，本申请具体技术方案为：一种基于kalman滤波的门控循环单元神经网络的股票价格预测方法，包括如下步骤：S1：获取股票历史数据，将数据分为训练集和测试集，并对训练集数据和测试集数据进行预处理；具体为：训练集数据用于训练门控循环单元神经网络模型，测试集数据用于检验生成的模型是否理想。所述股票历史数据包括开盘价、最高价、最低价、收盘价、调整收盘价以及成交量，并将所述股票历史数据作为门控循环单元神经网络模型的输入数据序列。对训练集数据和测试集数据进行预处理包括数据标准化以及转化成门控循环单元神经网络模型所需的输入形式。所述门控循环单元神经网络模型所需的输入形式为：其中，T是时间步长，D是输本文档来自技高网...

【技术保护点】
1.一种基于kalman滤波的门控循环单元神经网络的股票价格预测方法，其特征在于，包括如下步骤：/nS1：获取股票历史数据，将数据分为训练集和测试集，并对训练集数据和测试集数据进行预处理；/nS2：初始化门控循环单元神经网络预测所需的参数，构建门控循环单元神经网络模型，使用经过预处理后的训练集数据对门控循环单元神经网络模型进行训练，得到训练好的预测模型并将其保存；/nS3：使用训练好的预测模型对测试集数据进行预测，并将得到的预测结果序列使用kalman滤波算法进行去噪优化；/nS4：使用均方根误差和决定系数对S3中去噪优化过的结果评估预测模型的性能。/n

【技术特征摘要】
1.一种基于kalman滤波的门控循环单元神经网络的股票价格预测方法，其特征在于，包括如下步骤：
S1：获取股票历史数据，将数据分为训练集和测试集，并对训练集数据和测试集数据进行预处理；
S2：初始化门控循环单元神经网络预测所需的参数，构建门控循环单元神经网络模型，使用经过预处理后的训练集数据对门控循环单元神经网络模型进行训练，得到训练好的预测模型并将其保存；
S3：使用训练好的预测模型对测试集数据进行预测，并将得到的预测结果序列使用kalman滤波算法进行去噪优化；
S4：使用均方根误差和决定系数对S3中去噪优化过的结果评估预测模型的性能。


2.根据权利要求1所述的基于kalman滤波的门控循环单元神经网络的股票价格预测方法，其特征在于，所述步骤S1中训练集数据用于训练门控循环单元神经网络模型，测试集数据用于检验生成的模型是否理想。


3.根据权利要求1所述的基于kalman滤波的门控循环单元神经网络的股票价格预测方法，其特征在于，所述股票历史数据包括开盘价、最高价、最低价、收盘价、调整收盘价以及成交量，并将所述股票历史数据作为门控循环单元神经网络模型的输入数据序列。


4.根据权利要求1所述的基于kalman滤波的门控循环单元神经网络的股票价格预测方法，其特征在于，所述步骤S1中对训练集数据和测试集数据进行预处理包括数据标准化以及转化成门控循环单元神经网络模型所需的输入形式。


5.根据权利要求1所述的基于kalman滤波的门控循环单元神经网络的股票价格预测方法，其特征在于，所述步骤S2中门控循环单元神经网络预测所需的参数包括hidden_size、batchsize、train_time、lr，其中hidden_size是隐藏层神经元的个数，batchsize是批处理的个数，train_time是训练次数，lr是学习率。


6.根据权利要求1所述的基于kalman滤波的门控循环单元神经网络的股票价格预测方法，其特征在于，所述步骤S2中构建的门控循环单元神经网络模型包括输入层、隐含层和全连接层；所述输入层为股票历史数据序列，且输入...

【专利技术属性】
技术研发人员：王宾，邱佳玉，吕卉，张强，魏小鹏，
申请(专利权)人：大连大学，
类型：发明
国别省市：辽宁;21