一种基于多模态小波分解的深度学习股价概率预测方法技术

本发明专利技术提供一种基于多模态小波分解的深度学习股价概率预测方法，包括如下步骤：构建多模态特征体系，融合动态连续、动态分类、静态连续和静态分类等多源异构特征；对动态连续特征进行小波分解，自适应过滤不同尺度下的噪声成分；采用并行融合策略，将不同模态特征在特征维度上拼接；利用自回归循环神经网络，构建概率密度模型，直接输出股价变化的概率分布预测。本发明专利技术通过多模态特征融合提供全面的股价影响因素描述，采用小波分解有效去除噪声，概率预测模型输出更贴近实际的股价分布。实验表明，该模型在NRMSE和ND等指标上显著优于现有方法，并在实际投资策略中取得了可观的超额收益。本发明专利技术为股价预测提供了一种新的方法。

【技术实现步骤摘要】

本专利技术属于金融数据分析和预测，具体涉及一种基于多模态小波分解的深度学习股价概率预测方法。本专利技术利用小波分解、多模态特征融合和概率预测等技术，旨在提高股价预测的准确性和可靠性，为量化投资决策提供支持。

技术介绍

1、股价预测一直是金融市场研究的核心课题，具有重大的经济价值。股价受诸多复杂因素影响，呈现高度非线性和动态特性，给建模与预测带来了巨大挑战。在证券资产定价领域，多因子模型是量化选股和股价预测的重要理论基础。从markowitz的现代投资组合理论，到sharpe的资本资产定价模型(capm)，再到fama和french的三因子、五因子模型，学者们不断探索影响资产定价的因子，为股价预测奠定了理论基础。近年来，基于大数据技术的深度学习方法得到了广泛应用。如lstm等技术的神经网络模型在处理金融时间序列预测任务中展现出优越性能，为投资决策提供了重要支持。此外，小波理论作为时频分析工具，在处理非平稳、具有突变和间断性的金融时间序列方面也显示出独特优势。

2、现有的股价预测方法仍然存在一些不足。首先，大多数方法仅基于单一数据源或有限特征因子，本文档来自技高网...

【技术保护点】

1.一种基于多模态小波分解的深度学习股价概率预测方法，其特征在于，包括以下具体步骤：

2.根据权利要求1所述的深度学习股价概率预测方法，其特征在于，所述股价时序单维特征，包括：

3.根据权利要求1所述的深度学习股价概率预测方法，其特征在于，所述m-1种模态的多维辅助特征，包括：

4.根据权利要求1所述的深度学习股价概率预测方法，其特征在于，所述对股价时序单维特征x(1)进行小波分解，包括：

5.根据权利要求1所述的深度学习股价概率预测方法，其特征在于，所述对每个模态特征进行特征提取，包括：

6.根据权利要求1所述的深度学习股价概...

【技术特征摘要】

1.一种基于多模态小波分解的深度学习股价概率预测方法，其特征在于，包括以下具体步骤：

2.根据权利要求1所述的深度学习股价概率预测方法，其特征在于，所述股价时序单维特征，包括：

3.根据权利要求1所述的深度学习股价概率预测方法，其特征在于，所述m-1种模态的多维辅助特征，包括：

4.根据权利要求1所述的深度学习股价概率预测方法，其特征在于，所述对股...

【专利技术属性】
技术研发人员：张永宇，郭晨娟，魏涵玥，张山瑾，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：