一种基于时空图注意力机制的股价预测方法技术

本申请公开了一种基于时空图注意力机制的股价预测方法，所述方法包括获取若干目标股票对应的股票关系数据以及各目标股票对应的时序数据，基于获取到股票关系数据以及时序数据，确定所述若干目标股票对应的股票动态数据；基于所述股票动态数据，确定若干目标股票中各目标股票各各自对应的股票预测数据。本申请通过在预测股票预测数据时，在获取各股票各自对应的时序数据外，确定用于反映各股票之间行业相关性的股票关系数据，并基于时序数据以及股票关系数据进行股票预测，这样可以提高股票预测的准确性。

【技术实现步骤摘要】
一种基于时空图注意力机制的股价预测方法
本申请涉及趋势预测
，特别涉及一种基于时空图注意力机制的股价预测方法。
技术介绍
目前应用于股票预测的方法普遍使用时间序列模型(如，ARIMA模型)，和深度学习模型(如，LSTM)，这些方法普遍使用包含每日价格、成交量以及市盈率等的时序数据来预测单个股票或者市场指数的价格变化。同时，在基于时序数据预测单个股票或者市场指数的价格变化时，会将该股票的时序数据作为独立数据，不会考虑该股票与其他股票之间的关联，从而使得预测得到的单个股票或者市场指数的价格变化的准确性低。
技术实现思路
本申请要解决的技术问题在于，针对现有技术的不足，提供一种基于时空图注意力机制的股价预测方法。为了解决上述技术问题，本申请实施例第一方面提供了一种基于时空图注意力机制的股价预测方法，所述方法包括：获取待预测股票对应的股票池，其中，所述股票池包括待预测股票；获取所述股票池对应的股票关系数据，以及所述股票池中的各目标股票对应的时序数据，其中，所述股票关系数据用于反映各目标股票之间的行业类别本文档来自技高网...

【技术保护点】
1.一种基于时空图注意力机制的股价预测方法，其特征在于，所述方法包括：/n获取待预测股票对应的股票池，其中，所述股票池包括待预测股票；/n获取所述股票池对应的股票关系数据，以及所述股票池中的各目标股票对应的时序数据，其中，所述股票关系数据用于反映各目标股票之间的行业类别关系，所述时序数据包括目标股票的日频数据；/n基于获取到股票关系数据以及时序数据，确定所述股票池对应的股票动态数据；/n基于所述股票动态数据，确定所述待预测股票对应的预测数据。/n

【技术特征摘要】
1.一种基于时空图注意力机制的股价预测方法，其特征在于，所述方法包括：
获取待预测股票对应的股票池，其中，所述股票池包括待预测股票；
获取所述股票池对应的股票关系数据，以及所述股票池中的各目标股票对应的时序数据，其中，所述股票关系数据用于反映各目标股票之间的行业类别关系，所述时序数据包括目标股票的日频数据；
基于获取到股票关系数据以及时序数据，确定所述股票池对应的股票动态数据；
基于所述股票动态数据，确定所述待预测股票对应的预测数据。


2.根据权利要求1所述基于时空图注意力机制的股价预测方法，其特征在于，所述获取所述股票池对应的股票关系数据具体包括：
对于所述股票池中的每两个目标股票形成的股票组，确定该股票组对应的行业类别关系，以得到所述股票池对应的行业类别关系集；
对于行业类别关系集中的每个行业类别关系，确定该行业类别关系对应的所有股票组，并基于获取到的股票组生成该行业类别关系对应的关系邻接矩阵；
根据获取到的所有关系邻接矩阵，确定所述股票池对应关系邻接矩阵集，并将所述关系邻接矩阵集作为若干目标股票对应的股票关系数据。


3.根据权利要求1所述基于时空图注意力机制的股价预测方法，其特征在于，所述日频数据包括日价格，成交量，换手率、股票代码、交易日期、市净率、市销率、股息以及市盈率中的一种或者多种。


4.根据权利要求1所述基于时空图注意力机制的股价预测方法，其特征在于，所述预测方法应用于股价预测模型，所述股价预测模型包括股票特征生成模块，所述基于获取到股票关系数据以及时序数据，确定所述股票池对应的股票动态数据具体包括：
所述股价预测模块基于股票关系数据，确定各目标股票对应的关联股票，其中，所述关联股票包含于所述股票池中；
所述股票特征生成模块确定各目标股票对应的关联股票的注意力权重；
所述股票特征生成模块基于各目标股票的时序数据、关联股票的时序数据以及关联股票的注意力权重更新各目标股票的时序数据，以得到股票动态数据。


5.根据权利要求4所述基于时空图注意力机制的股价预测方法，其特征在于，所述股票特征生成模块确定各目标股票对应的关联股票的注意力权重具体包括：
对于每个目标股票对应的关联股票，所述股票特征生成模块确定该目标股票以及该管理股票的变换时序数据；
所...

【专利技术属性】
技术研发人员：夏树涛，鲍际刚，孙继丰，李佳维，刘鑫吉，圣亚军，朱天磊，夏智康，
申请(专利权)人：清华大学深圳国际研究生院，深圳悟空投资管理有限公司，
类型：发明
国别省市：广东;44