一种基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
一种基于swin transformer模型的股票预测方法


[0001]本专利技术属于股票预测
，更具体地说，是涉及一种基于
swin transformer
模型的股票预测方法
。

技术介绍

[0002]随着经济社会的发展，股票市场愈发受到我国投资者的青睐，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
。
[0003]股票作为一国宏观经济的“晴雨表”，其市场价格变化直接影响着经济的健康发展和市场的稳定
。
在股票市场中，股票行情的变化与公司的运营
、
国家的宏观经济发展
、
法律法规等多种复杂因素息息相关；同时股票数据繁杂，变化无序，难以建立精确的数学模型，股票价格的涨跌受到内部因素与外部因素的双重影响，由于其本身具有非线性
、
不规则性及股票市场的复杂波动性，因此对于股票涨跌的预测难以准确预计，如何准确地预测股票时间序列仍然是一个悬而未决的问题
。
[0004]长期以来，时间序列预测问题一直是学术研究的一个关键领域，在交通流量估计
、
能源管理和金融投资等领域具有十分广泛的应用，其预测出的数据未来发展状况，对各行各业的发展决策也具有一定的参考价值
。
时间序列预测一直使用经典统计方法及部分机器学习的方法，然而这些方法仍然需要手动特征工程和模型设计，深度神经网络在许多情况下取得了比传统技术更好的预测精度
。Transformer
是一种全注意力机制的序列建模架构，它在自然语言处理中发挥了巨大的作用，如何将
Transformer
的时间序列预测任务应用到股票涨跌预测中，成为金融领域研究的热点问题
。

技术实现思路

[0005]本申请就是针对现有技术中存在的技术问题，提供一种基于
swin transformer
模型的股票预测方法
。
[0006]为解决上述技术问题，为此本专利技术提供如下技术方案：
[0007]一种基于
swin transformer
模型的股票预测方法，包括：
[0008]S1、
获取股票日线行情数据；
[0009]S2、
对股票数据进行数据清洗；
[0010]S3、
对股票数据进行特征扩展；
[0011]S4、
对股票数据进行归一化处理；
[0012]S5、
对股票数据进行训练集和验证集划分；
[0013]S6、
构建
Swin Transformer
股票预测模型，将处理好的数据输入到模型中，进行股票预测；
[0014]股票预测模型包括
Patch Partition
层
、Linear Embedding
层
、Swin Transformer Block、Patch Merging
层
、SoftMax
层
。
[0015]优选的，在
S1
中，股票数据获取方式为：
[0016]通过
python
语言中的
tushare
模块获取目标股票在历史交易日的所选行业的股票日线行情数据，获取的特征至少包括以下中的一项：股票代码
、
交易日期
、
开盘价
、
最低价
、
最高价
、
收盘价和交易额
。
[0017]优选的，在
S2
中，检查股票行情数据，并且检测数据中是否包含空值或异常值，对股票数据进行缺失值处理，若缺失插入等同数据进行填充
。
[0018]优选的，在
S3
中，特征扩展技术指标包括
MA、EMA、DIF、KDJ
和
RSI
，同时对股票日期进行
one
‑
hot
编码，得到特征列
。
[0019]优选的，在
S4
中，除了对日期外的技术特征指标单独进行数据归一化处理，将数据在保留分布信息的情况下缩放到
[0,1]区间内
。
[0020]优选的，在
S5
中，将数据以
32
个交易日的行情数据作为一个输入样本，则单个样本
X
的维度大小为
32
×
64
；
[0021]将每个样本
X
中最后一个交易未来第十个交易日收盘价的涨跌情况作为样本对应的
Y
值
。
[0022]优选的，在对股票数据进行训练集和验证集划分后，需要对训练集数据进行数据增强，增加训练集样本数量
。
[0023]优选的，采用的数据增加方法为随机添加高斯噪声，增强方法如下：
[0024]X
：＝
x+n
[0025]其中，
n
由高斯分布
N(0,0.1)
产生
。
[0026]优选的，通过
Patch Partition
层进行数据划分，将数据划分为单独的
token
，并对
token
进行编码得到特征向量；然后通过
Linear Embedding
层将特征转化为
Swin Transformer Block
需要的输入维度；
[0027]Swin Transformer Block
包括非重叠窗口的注意力机制和移动窗口分区的自注意力机制，在模型中成对出现
、
交替使用，用于进行股票特征提取
。
[0028]优选的，
SoftMax
层为分类头，输入到
Swin Transformer Block
得到特征向量，输出预测结果，进行股票未来第十个交易日的涨跌情况预测
。
[0029]与现有技术相比，本专利技术具备以下有益效果：
[0030]本专利技术将
Swin Transformer
应用在股票走势预测任务中，提出一种基于
swin transformer
模型的股票预测方法，在提升股票预测精度的基础上，减少手动设计特征和模型设计，提高开发过程的效率
。
[0031]本专利技术利用
Swin Transformer
作为特征提取模型，预测未来股票收盘价的涨跌情况
。
首先进行股票日线行情数据获取，然后进行数据清洗
、
特征扩展...

【技术保护点】

【技术特征摘要】
Block
需要的输入维度；所述
Swin Transformer Block
包括非重叠窗口的注意力机制和移动窗口分区的自注意力机制，在模型中成对出现
、
交替使用，用于进行股票特征提取
。10.
根据权利要求9所述的一种基于

【专利技术属性】
技术研发人员：周瑞君，程文肖，尚金雷，
申请(专利权)人：深圳市因科美通信有限公司，
类型：发明
国别省市：