一种基于深度学习的股票市场风险预测智能实现方法技术

本发明专利技术公开了一种基于深度学习的股票市场风险预测智能实现方法，该方法选择通过组合浅层次的特征从而形成更加抽象的高特征表示，从而可以发现数据深层次隐含关系，通过多层的神经网络的堆叠和选择Sigmoid激活函数，可以更好地得到复合函数。本发明专利技术通过深度学习中的长短期记忆网络模型(Long Short‑Term Memory，LSTM)进行自学习自适应，根据过去历史数据的训练，从而很好地得到对未来的整体股市较为精准的预测。本发明专利技术通过组合浅层次的特征从而形成更加抽象的高特征表示，以发现数据深层次隐含关系，通过多层的神经网络的堆叠和选择合理的激活函数，可以更好地得到复合函数。本发明专利技术在RMSE、误差值以及自设计的盈利值等多个指标上都产生了很好的技术效果。

【技术实现步骤摘要】
一种基于深度学习的股票市场风险预测智能实现方法
本专利技术涉及一种基于深度学习的股票市场风险预测智能实现方法，属于通讯

技术介绍
股票市场在金融市场中起着很重要的作用，而在股票市场中，是否能够准确地预测出未来整体股市的涨跌波动也是成为了能否获取收益的关键之处。近年来的投资者们尝试选择采用专家分析法、组合分析法、策略研究法等相关方法对股票进行预测。这其中大多采用了概率学和统计学的相关内容，同时运用了多种的数学模型，最终得到一个预测结果。然而股票价格的走势受到国家政策、国家经济情况、国际环境和企业经营状况等多种因素的影响，因此单一的数学模型不能准确的描述出股票市场的未来走势。同时由于股票投资伴随着高风险，仅靠人的主观经验和数学模型无法实现收益的稳定，因此需要根据大量股票交易的历史数据挖掘出股票市场的涨跌特点，给未来短期内的股票预测提供一定的参考，对于提高股票的收益率也有了重大意义，这也是我们的技术的改进之处。随着近年来人工智能方法的发展应用，更多人工智能技术运用到了股票市场的预测中，其中较为普遍的是一些基于机器学习的方法和基于数据挖掘的方法，如神经网络(NeuralNetwork，NN)和支撑向量机(SupportVectorMachine，SVM)技术，这些技术被普遍的应用到股票市场预测中。但是SVM技术对大规模的训练样本难以实施，而股票市场中的数据是大量且多种的，当数据量变大之后，SVM的训练时间就会变长，从而对预测带来了更大的耗时成本。此外经典的支持向量机算法只给出了二类分法的算法，而在股票数据挖掘的实际应用中，一般要解决的是多类的问题。此外，对于SVM技术来说，对缺失数据敏感，对参数和核参数的选择敏感，而这些参数的选择一般是人为的，具有一定的随意性和不可代表性，在股票市场领域中则应该将领域知识引用进来，但是目前还没有好的办法来解决核函数的选取问题。
技术实现思路
本专利技术目的在于针对上述现有技术的不足，提出了一种基于深度学习的股票市场风险预测智能实现方法，该方法选择通过组合浅层次的特征从而形成更加抽象的高特征表示，从而可以发现数据深层次隐含关系，通过多层的神经网络的堆叠和选择Sigmoid激活函数：其中，f(x)表示输出层，输出范围为(0，1)，e表示数学中的自然常数，x表示输入值，所述函数的作用是将一个(-∞,+∞)之内的实数值变换到区间[0,1]。本专利技术解决其技术问题所采取的技术方案是：本专利技术提供了一种基于深度学习的股票市场风险预测智能实现方法，该方法包括如下步骤：步骤1：对股票市场的历史交易数据进行数据预处理，得到该股票每日的开盘价、收盘价、最高价、最低价、成交价和成交量，即影响股票价格的信息数据，从而得到一串长期数据序列。并对数据进行规范化，减少数据相差较大的影响。步骤2：选取股票过去10年的历史交易数据，应用深度学习中LSTM(LongShort-TermMemory)模型对数据进行训练，从而得到一个训练集，该训练集大体包含了过去股票数据的涨跌情况。步骤3：选取最新真实数据作为测试集，根据某日前40天的交易数据运用训练好的训练模型进行预测出未来15天后的股票收盘价情况，将收盘价与该日当天的价格进行对比，制定数据规则，将超出价格的2％视作涨，低于价格2％视作跌，从而得到一个预测未来股票的涨跌情况。步骤4：调整不同的合理的参数，分别改变过往测试数据数量、未来预测天数和涨跌评判值，从而得到多种不同的数据预测结果。步骤5：将多种数据结果进行整理，用时间序列方法整合，确保对未来的每一天都有较为准确地预测结果。其中不同参数导致的不同涨跌结果，采取少数服从多数的原则，保证得到的预测精度较高。步骤6：在得出最终预测结果后，根据未来时期的涨跌预测情况，当未来一段时间的涨跌情况相同，则可在第一个涨点或跌点选择买入或卖出；当未来一段时间中有连续的两个涨跌相反情况，则及时在涨跌点进行买入(或卖出)。本专利技术基于深度学习的方法对整体股市进行风险预测，对金融股票市场进行整体市场的预测，尤其是采用将深度学习与金融股票相结合，通过深度学习中的LSTM模型进行自学习自适应，根据过去历史数据的训练，从而得到对未来的整体股市较为精准的预测。有益效果：1、本专利技术通过深度学习中的长短期记忆网络模型(LongShort-TermMemory，LSTM)进行自学习自适应，根据过去历史数据的训练，从而很好地得到对未来的整体股市较为精准的预测。2、本专利技术通过组合浅层次的特征从而形成更加抽象的高特征表示，以发现数据深层次隐含关系，通过多层的神经网络的堆叠和选择合理的激活函数，可以更好地得到复合函数。3、本专利技术在RMSE、误差值以及自设计的盈利值等多个指标上都产生了很好的技术效果。附图说明图1为本专利技术的方法流程图。具体实施方式下面结合说明书附图对本专利技术作进一步的详细说明。如图1所示，本专利技术提供了一种基于深度学习的股票市场风险预测智能实现方法，该方法包括如下步骤：步骤1：对股票的历史交易数据进行数据预处理：首先得到该股票历史数据中的每日的开盘价、收盘价、最高价、最低价、成交价和成交量(成交量为本日与上日的量比)，即影响股票价格的信息数据，从而得到一串长期数据序列。接着定义区间数据，根据最高价和最低价的差价范围对数据进行单位化，从而得到可使用训练的各参数数据，减少数据相差较大的影响。步骤2：选取股票过去10年的历史交易数据，应用深度学习中LSTM(LongShort-TermMemory)模型，在除去股票交易节假日和休息日后，设置时间跨度为40天，预测时间跨度为10天后，涨跌幅2％，迭代次数3000次等参数对数据进行训练，通过深度学习自训练的方法得到一个训练模型，该训练集是以收盘价为参考基准，大体包含了过去股票数据的涨跌情况。步骤3：选取最新真实数据作为测试集，根据某日前40天的交易数据运用训练好的训练模型进行预测出未来15天后的股票收盘价情况，将收盘价与该日当天的价格进行对比，制定数据规则，将超出价格的2％视作涨，低于价格2％视作跌，从而得到一个预测未来股票的涨跌情况。步骤4：调整不同的合理的参数：分别改变以下参数(1)过往测试数据数量(选取过去40.50.60天)，(2)未来预测天数(选取未来10.15.20天)，(3)涨跌评判值(以0.5％，1％，2％为标准)，从而得到多种不同的数据预测结果。步骤5：将多种数据结果用二维坐标的图表形式进行展现，用时间序列方法将不同参数得到的不同图形进行叠加整合，确保对未来的每一天都有较为准确地预测结果。其中不同参数导致的不同涨跌结果，采取少数服从多数的原则，保证得到的预测精度较高。步骤6：根据不同参数下的不同预测结果图进行叠加，得出一张最终预测结果图，根据图中未来时期的涨跌预测情况，当未来一段时间的涨跌情况相同，则可在第一个涨(或跌)点选择买入(或卖出)；当未来一段时间中有连续的两个涨跌相反情况，则及时在涨跌点本文档来自技高网...

【技术保护点】
1.一种基于深度学习的股票市场风险预测智能实现方法，其特征在于所述方法包括如下步骤：/n步骤1：对股票的历史交易数据进行数据预处理，得到该股票每日的开盘价、收盘价、最高价、最低价、成交价和成交量，即影响股票价格的信息数据，从而得到一串长期数据序列；/n步骤2：选取股票过去10年的历史交易数据，应用深度学习中LSTM模型对数据进行训练，从而得到一个训练集，所述训练集包含了过去股票数据的涨跌情况；/n步骤3：选取最新真实数据作为测试集，根据某日前40天的交易数据运用训练好的训练模型进行预测出未来15天后的股票收盘价情况，将收盘价与该日当天的价格进行对比，制定数据规则，将超出价格的2％视作涨，低于价格2％视作跌，从而得到一个预测未来股票的涨跌情况；/n步骤4：调整不同的合理的参数，分别改变过往测试数据数量、未来预测天数和涨跌评判值，从而得到多种不同的数据预测结果；/n步骤5：将多种数据结果进行整理，用时间序列方法整合，确保对未来的每一天都有较为准确地预测结果，其中不同参数导致的不同涨跌结果；/n步骤6：在得出最终预测结果后，根据未来时期的涨跌预测情况，当未来一段时间的涨跌情况相同，则在第一个涨点或跌点选择买入或卖出；当未来一段时间中有连续的两个涨跌相反情况，则在涨跌点进行买入或卖出。/n...

【技术特征摘要】
1.一种基于深度学习的股票市场风险预测智能实现方法，其特征在于所述方法包括如下步骤：
步骤1：对股票的历史交易数据进行数据预处理，得到该股票每日的开盘价、收盘价、最高价、最低价、成交价和成交量，即影响股票价格的信息数据，从而得到一串长期数据序列；
步骤2：选取股票过去10年的历史交易数据，应用深度学习中LSTM模型对数据进行训练，从而得到一个训练集，所述训练集包含了过去股票数据的涨跌情况；
步骤3：选取最新真实数据作为测试集，根据某日前40天的交易数据运用训练好的训练模型进行预测出未来15天后的股票收盘价情况，将收盘价与该日当天的价格进行对比，制定数据规则，将超出价格的2％视作涨，低于价格2％视作跌，从而得到一个预测未来股票的涨跌情况；
步骤4：调整不同的合理的参数，分别改变过往测试数据数量、未来预测天数和涨跌评判值，从而得到多种不同的数据预测结果；
步骤5：将多种数据结果进行整理，用时间序列方法整合，确保对未来的每一天都...

【专利技术属性】
技术研发人员：张然，
申请(专利权)人：江苏知诺智能科技有限公司，
类型：发明
国别省市：江苏;32