基于LSTM神经网络的股票价格预测方法技术

本申请实施例涉及一种基于LSTM神经网络的股票价格预测方法。本申请实施例的基于LSTM神经网络的股票价格预测方法包括：获取当前交易日第一目标股票的第一特征数据；对所述第一特征数据进行归一化处理；将归一化处理后的所述第一特征数据输入至训练好的股票预测模型中，得到下一个交易日该目标股票的价格走势，其中，所述股票预测模型包括按照Keras内置的Sequential顺序模块依次连接的第一Lstm层、第一Dropout层、第二Lstm层、第三Lstm层、第二Dropout层和Dense层。本申请实施例的基于LSTM神经网络的股票价格预测方法预测股票涨跌走势准确率明显提高，且随着历史股票数据的增加，LSTM网络模型的预测效果趋于稳定。LSTM网络模型的预测效果趋于稳定。LSTM网络模型的预测效果趋于稳定。

【技术实现步骤摘要】
基于LSTM神经网络的股票价格预测方法


[0001]本申请实施例涉及计算机软件开发的
，特别是涉及一种基于LSTM神经网络的股票价格预测方法。

技术介绍

[0002]随着经济全球化的发展，股票市场愈发受到我国投资者的青睐，伴随着金融市场的发展和强烈需求，股票价格趋势预测倍受学术界、业界关注，互联化、数字化、智能化为标志的信息技术创新呈现深度融合，量化科技与金融的结合趋势愈专利技术显。投资股票具有高收益的同时，也伴随着高风险，而影响股市波动的内外因素众多且难以量化，处理海量、繁杂的股票数据工程量大，所以传统的非人工智能的方法在股票价格预测上往往不尽如人意。

技术实现思路

[0003]基于此，本专利技术提供了一种基于LSTM神经网络的股票价格预测方法，其具有预测股票涨跌走势准确率明显提高的优点，且随着历史股票数据的增加，LSTM网络模型的预测效果趋于稳定。
[0004]本申请实施例提供了一种基于LSTM神经网络的股票价格预测方法，所述方法包括：获取当前交易日第一目标股票的第一特征数据；
[0005]对所述第一特征数据进行归一化处理；
[0006]将归一化处理后的所述第一特征数据输入至训练好的股票预测模型中，得到下一个交易日该目标股票的价格走势，其中，所述股票预测模型包括按照Keras内置的Sequential顺序模块依次连接的第一Lstm层、第一Dropout层、第二Lstm层、第三Lstm层、第二Dropout层和Dense层。
[0007]本专利技术提供的一种基于LSTM神经网络的股票价格预测方法，使用LSTM神经网络算法建立预测模型，对海量的、繁杂的数据进行深入的数据挖掘，对股票时序数据进行预测，得出股票预测结果。
[0008]可选的，对所述特征数据进行归一化处理前，采用python中的pywt库对所述第一特征数据进行小波变换去除数据噪声。
[0009]可选的，所述第一特征数据包括以下至少一项：
[0010]所述目标股票在当前交易日的最低价、最高价、收盘价、开盘价和交易量。
[0011]可选的，所述股票预测模型的训练过程包括：
[0012]获取历史交易日第二目标股票的第二特征数据，所述第二特征数据包括以下至少一项：所述目标股票在历史交易日的最低价、最高价、收盘价、开盘价和交易量；
[0013]采用python中的pywt库对所述第二特征数据进行小波变换去除数据噪声；
[0014]对所述第二特征数据进行归一化处理；
[0015]将归一化后的所述第二测试数据划分为训练集和测试集；
[0016]建立所述股票预测模型，其中，所述股票预测模型中使用的损失函数为均方差，优化算法为Adam，模型采用2个epochs，每个batch的大小为32；
[0017]将训练集中的所述第二测试数据输入至所述股票预测模型，以训练所述股票预测模型；
[0018]将测试集中的所述第二测试数据输入至训练好的所述股票预测模型，以对所述股票预测模型进行评估验证及参数优化。
[0019]可选的，所述将测试集中的所述第二测试数据输入值训练好的所述股票预测模型，以对所述股票预测模型进行评估验证，包括：
[0020]将测试集中的所述第二测试数据输入至训练好的所述股票预测模型，得到预测结果；
[0021]判断预测结果所指示的该样本的预测涨跌结果，如果是涨，则将该样本设置标签1，如果是跌，则将该样本设置标签0；
[0022]判断该样本的实际涨跌结果，如果是涨，则将该样本设置标签1，如果是跌，则将该样本设置标签0；
[0023]根据该样本的实际涨跌结果与预测涨跌结果，将样本分为TP、FN、FP和TN四类，其中，TP用于指示该样本的实际涨跌结果与预测涨跌结果都为正类的个数，FN用于指示该样本的实际涨跌结果为正类、预测涨跌结果为负类的个数，FP用于指示该样本的实际涨跌结果为负类、预测涨跌结果为正类的个数，TN用于指示该样本的实际涨跌结果与预测涨跌结果都为负类的个数；
[0024]通过如下公式计算所述股票预测模型的评价指标：
[0025][0026][0027][0028][0029]其中，Accuracy为准确率，Precision为精确率，Recall为召回率。
[0030]可选的，在所述股票预测模型中运行所述第一特征数据或所述第二特征数据时，通过keras中的fit_generator函数批量获取数据，并使用python生成器动态训练数据集来绘制数据。
[0031]可选的，所述第一Lstm层、所述第二Lstm层与所述第三Lstm层的神经元个数分别为100、100和150，所述第一Dropout层与所述第二Dropout层的rate为0.2。
[0032]可选的，训练完所述股票预测模型后，将所述股票预测模型存入saved_models文件夹中，以使在使用时可直接加载该文件夹中保存的所述股票预测模型文件，从而节省训练模型的时间。
[0033]可选的，通过如下公式对所述第一特征数据进行归一化处理：
[0034][0035]其中，x和y为转换前与转换后的值，MaxValue是样本的最大值，MinValue是样本的最小值。
[0036]可选的，所述下一个交易日该目标股票的价格走势包括所述目标股票下一个交易日的收盘价格。
[0037]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
附图说明
[0038]图1为本专利技术提供的一种基于LSTM神经网络的股票价格预测方法的操作流程图；
[0039]图2为AAON股票小波变换前后对比图，其中图2
‑
1为小波变化前的数据曲线，图2
‑
2为小波变换三层分解后的数据曲线；
[0040]图3为LSTM神经网络模型细胞的更新状态示意图；
[0041]图4为Dropout神经网络示意图；
[0042]图5为有无使用Dropout网络的神经网络对比示意图；
[0043]图6为本专利技术提供的一种基于LSTM神经网络的股票价格预测方法的预测模型结构示意图；
[0044]图7为MSE误差值的曲线分布图；
[0045]图8为本专利技术提供的一种基于LSTM神经网络的股票价格预测方法的股票价格趋势预测模型的操作流程图；
[0046]图9为本专利技术提供的一种基于LSTM神经网络的股票价格预测方法对于AAON股票预测结果示意图。
具体实施方式
[0047]为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
[0048]应当明确，所描述的实施例仅仅是本申请实施例一部分实施例，而不是全本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LSTM神经网络的股票价格预测方法，其特征在于，所述方法包括：获取当前交易日第一目标股票的第一特征数据；对所述第一特征数据进行归一化处理；将归一化处理后的所述第一特征数据输入至训练好的股票预测模型中，得到下一个交易日该目标股票的价格走势，其中，所述股票预测模型包括按照Keras内置的Sequential顺序模块依次连接的第一Lstm层、第一Dropout层、第二Lstm层、第三Lstm层、第二Dropout层和Dense层。2.根据权利要求1所述的基于LSTM神经网络的股票价格预测方法，其特征在于，对所述特征数据进行归一化处理前，还包括：采用python中的pywt库对所述第一特征数据进行小波变换去除数据噪声。3.根据权利要求1所述的基于LSTM神经网络的股票价格预测方法，其特征在于，所述第一特征数据包括以下至少一项：所述目标股票在当前交易日的最低价、最高价、收盘价、开盘价和交易量。4.根据权利要求1所述的基于LSTM神经网络的股票价格预测方法，其特征在于，所述股票预测模型的训练过程包括：获取历史交易日第二目标股票的第二特征数据，所述第二特征数据包括以下至少一项：所述目标股票在历史交易日的最低价、最高价、收盘价、开盘价和交易量；采用python中的pywt库对所述第二特征数据进行小波变换去除数据噪声；对所述第二特征数据进行归一化处理；将归一化后的所述第二测试数据划分为训练集和测试集；建立所述股票预测模型，其中，所述股票预测模型中使用的损失函数为均方差，优化算法为Adam，模型采用2个epochs，每个batch的大小为32；将训练集中的所述第二测试数据输入至所述股票预测模型，以训练所述股票预测模型；将测试集中的所述第二测试数据输入至训练好的所述股票预测模型，以对所述股票预测模型进行评估验证及参数优化。5.根据权利要求4所述的基于LSTM神经网络的股票价格预测方法，其特征在于，所述将测试集中的所述第二测试数据输入值训练好的所述股票预测模型，以对所述股票预测模型进行评估验证，包括：将测试集中的所述第二测试数据输入至训练好的所述股票预测模型，得到预测结果；判断预测结果所指示的该样本...

【专利技术属性】
技术研发人员：邓飞燕，岑少琪，钟凤琪，陈壹华，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：