基于多任务学习和多指数协同注意力机制的股市预测方法技术

本发明专利技术公开了一种基于多任务学习和多指数协同注意力机制的股市预测方法，根据A股市场主要指数的特点，使用多指数协同注意力机制，提取不同指数间的共性，保留各自指数的特性，同时采用多任务学习框架，对每个指数做各自的风险预测，有效地解决了传统技术中的“模型结构简单，依赖文本数据”的问题；本发明专利技术采用A股市场直接反映大盘走势的主要指数的特征作为模型输入，且在模型训练时分别预测各个主要指数的走势，很好地解决了传统技术中“预测结果未能反映大盘走势”的问题；通过利用本发明专利技术提出的方法，能够对整个大盘的走势进行智能化的涨跌预测，从而为投资者确定更好的买卖时机。

【技术实现步骤摘要】
基于多任务学习和多指数协同注意力机制的股市预测方法
本专利技术属于股市风险预测模型
，具体涉及深度神经网络模型的结构设计，特别是涉及一种基于多任务学习和多指数协同注意力机制的股市预测方法。
技术介绍
深度学习是机器学习领域中一个重要的研究方向。近年来，得益于数据的爆炸性增长和硬件技术的飞速发展，深度学习在多个领域取得了突破性的进展，包括图像识别、视频分类、文本挖掘、语音合成、自动驾驶等。不同于以往机器学习算法，深度学习网络通过使用大量的数据、先进的硬件设备和合理的网络结构，获得了强大的模型非线性表征能力，因此能够对复杂的场景和任务进行建模和计算。在这之中，数据的量级决定模型的能力上限，硬件的算力决定模型的迭代频率，而深度学习网络结构设计是否合理，直接决定了能否将数据和硬件的效能发挥到最佳。根据数据形式的不同，深度学习网络结构可以分为卷积神经网络(如AlexNet、GoogLeNet、ResNet)和时序神经网络(如LSTM、GRU、BiLSTM)；根据任务数目的不同，深度学习网络结构可以分为单任务学习模型和多任务学习模型；根据任务本文档来自技高网...

【技术保护点】
1.一种基于多任务学习和多指数协同注意力机制的股市预测方法，其特征在于，具体包括以下步骤：/nS1、采集股市指数数据的多指数特征，并对所述多指数特征进行标准化处理；/nS2、将处理后的多指数特征输入到多任务编码层，得到多个指数编码特征；/nS3、将多个所述指数编码特征进行拼接，得到指数特征总和；将所述指数特征总和输入到任务协同注意力网络中，得到任务协同注意力矩阵；/nS4、将多个所述指数编码特征和所述任务协同注意力矩阵输入到指数相关性特征学习层，得到多个指数相关性特征；/nS5、将多个所述指数相关性特征输入到残差全连接层，得到具备两种性质的特征；/nS6、将所述具备两种性质的特征输入到指数预测...

【技术特征摘要】
1.一种基于多任务学习和多指数协同注意力机制的股市预测方法，其特征在于，具体包括以下步骤：
S1、采集股市指数数据的多指数特征，并对所述多指数特征进行标准化处理；
S2、将处理后的多指数特征输入到多任务编码层，得到多个指数编码特征；
S3、将多个所述指数编码特征进行拼接，得到指数特征总和；将所述指数特征总和输入到任务协同注意力网络中，得到任务协同注意力矩阵；
S4、将多个所述指数编码特征和所述任务协同注意力矩阵输入到指数相关性特征学习层，得到多个指数相关性特征；
S5、将多个所述指数相关性特征输入到残差全连接层，得到具备两种性质的特征；
S6、将所述具备两种性质的特征输入到指数预测层，得到股市指数风险预测结果。


2.根据权利要求1所述的基于多任务学习和多指数协同注意力机制的股市预测方法，其特征在于，所述指数数据采用日频交易数据。


3.根据权利要求1所述的基于多任务学习和多指数协同注意力机制的股市预测方法，其特征在于，所述步骤S2具体为：将经过所述标准化处理后的所有指数特征输入到长短期记忆型循环神经网络LSTM中，并取所述LSTM最后一个时间步的输出作为指数数据的多指数编码特征；
所述多任务编码层采用多个独立的单层全连接层对多个指数特征进行抽取。


4.根据权利要求1所述的基于多任务学习和多指数协同注意力机制的股市预测方法，其特征在于，所述步骤S3中的任务协同注意力网络包括键网络和查询网络，二者都采用单层的全连接层形式；
将所述指数特征总和输入所述键网络，得到特征键；将所述指数特征总和输入所述查询网络，得到特征值，然后计算所述特征键与所述特征值的相似度，得到所述任务协同注意力矩阵。
...

【专利技术属性】
技术研发人员：谭营，陈培滨，马涛，
申请(专利权)人：智谭浙江信息科技有限公司，
类型：发明
国别省市：浙江;33