【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ka...
【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
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。