[發(fā)明專利]基于特征參數(shù)選取與LSTM模型的股指預(yù)測方法

在審

• 申請?zhí)枺?/td>: 201711155418.X
• 申請日: 2017-11-20
• 公開（公告）號: CN107844865A
• 公開（公告）日: 2018-03-27
• 發(fā)明（設(shè)計）人: 陳佳;張傳雷;李建榮;于洋;武大碩
• 申請（專利權(quán)）人: 天津科技大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q40/06
• 代理公司: 天津盛理知識產(chǎn)權(quán)代理有限公司12209
• 代理人: 王利文

技術(shù)領(lǐng)域

本發(fā)明涉及金融股票預(yù)測技術(shù)，尤其是一種基于特征參數(shù)選取與LSTM模型的股指預(yù)測方法。

背景技術(shù)

股票市場作為風(fēng)險和投資雙高的投資市場，對其進行預(yù)測從而更好地進行選股和擇時以獲得最大收益是研究者密切關(guān)注的領(lǐng)域。沿用至今的分析方法可以分為兩類——基本面分析法與技術(shù)分析法?；久娣治龇ㄖ贮c在于國家經(jīng)濟政策與公司的基本面等信息，而技術(shù)分析方法則側(cè)重利用歷史數(shù)據(jù)帶入數(shù)學(xué)模型或機器中來訓(xùn)練和演算。其中，基本面分析法中應(yīng)用到的國家宏觀經(jīng)濟狀況、企業(yè)盈利狀況等因素均較難定量，且大多屬于長期性因素，所以如果只應(yīng)用基本面分析法預(yù)測的精度將很不準(zhǔn)確。而技術(shù)分析法主要是應(yīng)用客觀的量化指標(biāo)進行預(yù)測，較為常用的方法包括時間序列法、小波分析法、神經(jīng)網(wǎng)絡(luò)法等，但由于股市的限制以及股票自身的特性，當(dāng)前諸多方法并不能在預(yù)測時達到較好的效果，比如時間序列預(yù)測方法在處理非線性特征數(shù)據(jù)時并不能得以很好的應(yīng)用，而神經(jīng)網(wǎng)絡(luò)當(dāng)前較為流行的SVM預(yù)測模型只對求解小樣本、非線性問題具有優(yōu)秀的泛化能力。

此外，在預(yù)測過程中學(xué)者們往往較為重視模型的構(gòu)建，試圖通過數(shù)據(jù)預(yù)處理、優(yōu)化參數(shù)、結(jié)合多種網(wǎng)絡(luò)結(jié)構(gòu)等方法提升模型的擬合效果，卻忽略了股票影響因素這一重要方面。在以往的方法中我們發(fā)現(xiàn)預(yù)測股票價格指數(shù)的模型所應(yīng)用的輸入特征參數(shù)大多為最高價、平均價等一次性指標(biāo)，且均為主觀選擇輸入。然而，由于股票本身受多種因素影響，各因素之間并不呈明顯線性關(guān)系，如果我們選擇的輸入特征參數(shù)較為單一，將不能很好地對這一預(yù)測問題予以反映；如果選擇的輸入特征參數(shù)較多，將會復(fù)雜化模型，不利于其訓(xùn)練速度及性能。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提出一種基于特征參數(shù)選取與LSTM模型的股指預(yù)測方法，解決股指預(yù)測精度和準(zhǔn)確度的問題。

本發(fā)明解決其技術(shù)問題是采取以下技術(shù)方案實現(xiàn)的：

一種基于特征參數(shù)選取與LSTM模型的股指預(yù)測方法，包括以下步驟：

步驟1、獲取股指數(shù)據(jù)，全面選取特征參數(shù)；

步驟2、采用系統(tǒng)聚類法進行特征分類，使得同一類中的參數(shù)相似度較高，不同類別之間的相似度則較低；

步驟3、采用主成分析法對不同類別參數(shù)進行降維，使新的指標(biāo)能夠保留原始信息且彼此之間互不相關(guān)；

步驟4：將最終輸入特征參數(shù)直接輸入LSTM模型中進行訓(xùn)練，并對實驗結(jié)果進行分析。

進一步，所述步驟1全面選取特征參數(shù)時，需要考慮股票的影響因素，股票的影響因素包括宏觀因素、利率因素和估值因素。

進一步，所述步驟2系統(tǒng)聚類法包括以下步驟：

⑴將每個樣本看做一類，并計算各類之間的距離；

⑵將距離最近的兩類進行合并，成為新類別，并計算新類別與其他各類之間的距離；

⑶重復(fù)步驟⑵，直至所有類別聚為一類或達到所需的聚類數(shù)目。

進一步，所述步驟2采用系統(tǒng)聚類法將最終分類結(jié)果分為4類。

進一步，所述步驟3主成分分析法包括以下步驟：

⑴獲得數(shù)據(jù)，計算數(shù)據(jù)的平均值；

⑵計算數(shù)據(jù)的協(xié)方差矩陣，并求得該協(xié)方差矩陣的特征值和特征向量；

⑶對特征值進行排序，篩選大于閾值的特征值，計算白化矩陣；

⑷計算累積貢獻率，提取主成分；

⑸計算主成分載荷，分析其與原數(shù)據(jù)的相關(guān)連續(xù)度。

進一步，所述步驟4采用的LSTM模型為LSTM神經(jīng)網(wǎng)絡(luò)模型，該LSTM神經(jīng)網(wǎng)絡(luò)模型由LSTM層和DENSE層構(gòu)成，使用的激活函數(shù)為tanh函數(shù)。

本發(fā)明的優(yōu)點和積極效果是：

1、本發(fā)明設(shè)計合理，其從優(yōu)化特征參數(shù)選取角度對模型預(yù)測能力進行提升并應(yīng)用LSTM模型進行訓(xùn)練，不僅計算量小，而且預(yù)測結(jié)果在速度和準(zhǔn)確度兩方面均有顯著提升。

2、本發(fā)明在模型選擇方面，采用深度學(xué)習(xí)相關(guān)方法可以從原始數(shù)據(jù)提取到更加抽象和更有代表性的特征，能更好地用于分類和預(yù)測，對于深度學(xué)習(xí)不容易訓(xùn)練的問題，可以采用逐層訓(xùn)練的方法予以解決，所以選取合適的深度學(xué)習(xí)往往會使得預(yù)測的效果有時更加理想；采用新型深度學(xué)習(xí)算法，能夠憑借其時序與定向循環(huán)的優(yōu)勢特性，更適合分析時間序列前后之間相互關(guān)聯(lián)的預(yù)測問題。

3、本發(fā)明在特征參數(shù)選取方面，由于股票受不同因素影響的不確定性，因此選擇特征抽取的方法進行降維，包含全面選取特征參數(shù)、應(yīng)用系統(tǒng)聚類法進行特征分類、應(yīng)用主成分分析對分類特征進行降維三個步驟，通過此方法對輸入特征參數(shù)進行整合和優(yōu)化。

附圖說明