本发明专利技术公开了基于宽深非对称双向勒让德记忆单元的股票趋势研究方法,涉及金融预测技术领域。本发明专利技术至少包括以下步骤:应用股票技术因子,股票技术因子是股票分析中的一类因子,它是基于股票价格和成交量市场数据计算而来的量化指标,用于分析股票市场中的趋势和走势;至少使用13种日线数据与55种技术因子作为预测模型的输入数据。本发明专利技术通过同时利用日线时序数据中的时序特征与股票技术因子中的趋势信息,并通过使用非对称双向勒让德记忆单元高效捕获时序特征,再与趋势信息结合,更好地预测了股票趋势。预测了股票趋势。预测了股票趋势。
【技术实现步骤摘要】
基于宽深非对称双向勒让德记忆单元的股票趋势研究方法
[0001]本专利技术涉及金融预测
,具体为基于宽深非对称双向勒让德记忆单元的股票趋势研究方法
。
技术介绍
[0002]股票市场的研究中已经证明,股价趋势预测与股票时序数据的特征密切相关
[1]。
因此早期的股票预测方法主要基于历史股价序列研究
。
金融学者们引入各种评价指标,用于股市价格波动的预测
。
从最初的开盘价
、
收盘价等直接指标逐渐衍生出动能等有效显示某一特性的间接指标
。
如
Jegadeesh
等人提出股票的价格有延续原来的运动方向的趋势,成交量
、
换手率均衍生出动量因子用于股票价格走势预测
。Fama
等人利用总市值
、
账面市值比等衍生指标因子构建了因子定价模型用于解释预期股票报酬率的横截面变化
。
[0003]也有学者从统计学方法入手研究股价趋势变化,其基本思路是利用历史数据对股票价格进行拟合,然后使用这些模型来预测未来的价格
。
常用的统计模型包括时间序列分解
、ARMA、ARIMA、ARCH、GARCH、
指数平滑法等
。
这些方法通常需要人为地选取参数,因此其预测准确性受到了较大的限制
。
[0004]随着机器学习技术的发展,越来越多的学者开始使用各种机器学习方法来进行股票预测
。
机器学习方法通常不需要事先对数据进行人为的特征工程,其能够自动从数据中学习出特征,并通过这些特征进行预测
。
常用的机器学习方法包括决策树
、
支持向量机
、
随机森林
、XG
‑
Boost
等
。
[0005]随着深度学习技术的不断发展和普及,基于深度学习的股票预测研究也得到了长足的发展
。
相比于传统的机器学习方法,深度学习由于其基于大数据自动训练学习特征的能力,在股票预测上取得了更好的效果
。RNN
由于隐藏层之间特有的有向循环连接使其具备对时序数据的记忆功能,在自然语言处理和时序数据分析上得到了广泛的应用
。
但
RNN
模型是基于梯度的算法,处理长时间序列数据可能会有梯度消失或者梯度爆炸问题,因此更常用的是
LSTM、GRU
这些衍生变体
。Chen
等人利用
LSTM
基于股市历史生成的时序数据来预测价格
。Zhang
等人提出基于状态频率内存
(State Frequency Memory)
方法,将
LSTM
存储单元的隐藏状态分解为多个频率分量,以发现多频交易模式
。
胡聿文通过
PCA
和
LASSO
方法对五大类技术分析指标进行降维筛选,再使用
LSTM
模型进行预测得到了一定的效果提升
。
李婧琦通过鲸鱼算法
(WOA)
对
LSTM
网络的重要参数进行寻优,使之降低人为因素的影响,提高模型预测的准确性
。
谢游宇等人通过结合经验模态分解
(EMD)
和奇异谱分析
(SSA)
到
LSTM
‑
SVR
模型中,得到了较高的预测精度
。
[0006]但是,标准的
RNN
存在梯度消失或梯度爆炸等问题,限制了其在长序列数据上的表现
。
为了克服这一问题,长短期记忆网络
(Long Short
‑
Term Memory
,
LSTM)
和门控循环单元
(Gated Recurrent Unit
,
GRU)
被提出
。LSTM
和
GRU
都采用了门控机制,使得网络可以选择性地遗忘或者保留历史信息,从而更好地处理长序列数据
。LSTM
中的门控机制包括输入门
、
输出门和遗忘门,分别控制着当前输入
、
当前输出和历史信息的权重,使得网络可以灵活地对
历史信息进行处理
。GRU
相对于
LSTM
采用了更简单的门控机制,只有重置门和更新门,从而降低了网络的复杂度,但是表现也相对较弱;
[0007]因此需要对以上问题提出一种新的解决方案
。
技术实现思路
[0008]本专利技术的目的在于提供基于宽深非对称双向勒让德记忆单元的股票趋势研究方法,以解决现有的问题
。
[0009]为实现上述目的,本专利技术提供如下技术方案:基于宽深非对称双向勒让德记忆单元的股票趋势研究方法,至少包括以下步骤:
[0010]应用股票技术因子,股票技术因子是股票分析中的一类因子,它是基于股票价格和成交量市场数据计算而来的量化指标,用于分析股票市场中的趋势和走势;
[0011]至少使用
13
种日线数据与
55
种技术因子作为预测模型的输入数据;
[0012]应用宽深模型,采用中宽深模型
Wide
部分的记忆能力处理已有理论基础和广泛应用的股票技术因子,使用宽深模型
Deep
部分的特征提取能力来处理隐含趋势信息的日线数据;
[0013]应用勒让德记忆单元,以多项式作为记忆单元,对时间序列数据进行建模和预测;
[0014]应用非对称双向循环神经网络,在循环神经网络的基础上,将输入序列同时从前向后和从后向前进行处理,以利用前后两个方向的信息并得到全局上下文信息;
[0015]应用
WD
‑
ABiLMU
模型结构,通过
WD
‑
ABiLMU
模型结构中接近
U
‑
RNN
的结构,将
LMU
的模块按非对称双向结构的方式构建成整个
ABiLMU
时序特征提取模块,将其作为深度部分,提取日线数据中的时序特征,通过
MLP
作为宽度部分,记忆经过特征选择后的技术因子中的趋势信息,使用斯皮尔曼相关系数矩阵选取
M
个互相相关性最低的技术因子,去除相关性较高的冗余特征,最终融合两部分信息得到模型的预测输出
。
[0016]优选的,所述股票技术因子包括价格型和量能型,所述价格型股票技术因子至少包括均线
、
相对强弱指标
、
随机指标和移动平均线指标,所述量能型股票技术因子至少包括成交量平均线
、
成交量标准差<本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.
基于宽深非对称双向勒让德记忆单元的股票趋势研究方法,其特征在于:至少包括以下步骤:应用股票技术因子,股票技术因子是股票分析中的一类因子,它是基于股票价格和成交量市场数据计算而来的量化指标,用于分析股票市场中的趋势和走势;至少使用
13
种日线数据与
55
种技术因子作为预测模型的输入数据;应用宽深模型,采用中宽深模型
Wide
部分的记忆能力处理已有理论基础和广泛应用的股票技术因子,使用宽深模型
Deep
部分的特征提取能力来处理隐含趋势信息的日线数据;应用勒让德记忆单元,以多项式作为记忆单元,对时间序列数据进行建模和预测;应用非对称双向循环神经网络,在循环神经网络的基础上,将输入序列同时从前向后和从后向前进行处理,以利用前后两个方向的信息并得到全局上下文信息;应用
WD
‑
ABiLMU
模型结构,通过
WD
‑
ABiLMU
模型结构中接近
U
‑
RNN
的结构,将
LMU
的模块按非对称双向结构的方式构建成整个
ABiLMU
时序特征提取模块,将其作为深度部分,提取日线数据中的时序特征,通过
MLP
作为宽度部分,记忆经过特征选择后的技术因子中的趋势信息,使用斯皮尔曼相关系数矩阵选取
M
个互相相关性最低的技术因子,去除相关性较高的冗余特征,最终融合两部分信息得到模型的预测输出
。2.
根据权利要求1所述的基于宽深非对称双向勒让德记忆单元的股票趋势研究方法,其特征在于:所述股票技术因子包括价格型和量能型,所述价格型股票技术因子至少包括均线
、
相对强弱指标
、
随机指标和移动平均线指标,所述量能型股票技术因子至少包括成交量平均线
、
成交量标准差
、
成交量震荡
。3.
根据权利要求2所述的基于宽深非对称双向勒让德记忆单元的股票趋势研究方法,其特征在于:所述日线数据包括开盘价
、
收盘价
、
最高价
、
最低价
、
【专利技术属性】
技术研发人员:王勇,李翼晟,
申请(专利权)人:重庆理工大学,
类型:发明
国别省市:
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。