[發明專利]基于遺傳算法改進RNN神經網絡股指預測分析方法

在審

• 申請號: 201810994105.1
• 申請日: 2018-08-29
• 公開（公告）號: CN109242173A
• 公開（公告）日: 2019-01-18
• 發明（設計）人: 張傳雷;陳佳;李建榮;于洋;武大碩
• 申請（專利權）人: 天津科技大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q40/04;G06N3/08
• 代理公司: 天津盛理知識產權代理有限公司 12209
• 代理人: 王利文

本發明涉及一種基于遺傳算法改進RNN神經網絡股指預測分析方法，包括獲取股指數據，全面選取特征參數；采用遺傳算法，將每一代的特征參數分別代入RNN神經網絡模型訓練及預測，以均方誤差作為適應度，以一定的迭代次數為模型終止條件，選擇預測特征最優化組合。本發明從優化神經網絡模型和優化特征參數選取兩個角度對模型預測能力進行提升，采用RNN神經網絡模型可以從原始數據提取到更加抽象和更有代表性的特征，且具有時序與定向循環的優勢特性；同時，應用啟發式全局搜索算法遺傳算法進行特征組合，提升模型的預測精度。從而使得在股票波動較小的階段準確度得到顯著提升，在股票波動較大的階段也可對其基本趨勢進行預測。

技術領域

本發明屬于神經網絡技術領域，尤其是一種基于遺傳算法改進RNN神經網絡股指預測分析方法。

背景技術

隨著全球經濟的快速發展，人們對于金融市場的關注度逐步提升，關注范偉趨于多元化，包括保險、黃金、債券、股票等。其中，股票市場作為回報相對較高的領域，受到了投資者們的普遍關注。然而，股票市場還有另一特性，即高風險。對于投資者來說，如果能夠提前進行股票價格走勢預測，則會降低投資的風險，使利益最大化。因此，股指預測問題成為了當前金融領域重點的研究課題。

目前已有的股票預測方法主要包括基本分析法、技術分析法、組合分析法、時間序列法、神經網絡法等幾大類。由于股市的限制以及股票自身的特性，諸多方法并不能在預測時達到較好的效果，比如最為常用的時間序列預測方法在處理非線性特征數據時并不能得以很好的應用。近幾年，隨著機器學習在人工智能領域取得重大成就，學者們嘗試構建基于機器學習的量化投資模型，如將支持向量機與離散小波結合，將BP神經網絡與主成分分析法結合,將BP神經網絡和GARCH模型相結合等，但這些方法對處理非線性問題沒有優秀的泛化能力，所以預測精度并不準確。

發明內容

本發明的目的在于克服現有技術的不足，提供一種基于遺傳算法改進RNN神經網絡股指預測分析方法，解決解決股指預測精度和準確度不準確的問題。

本發明解決其技術問題是采取以下技術方案實現的：

一種基于遺傳算法改進RNN神經網絡股指預測分析方法，包括以下步驟：

步驟1、獲取股指數據，全面選取特征參數；

步驟2、采用遺傳算法，將每一代的特征參數分別代入RNN神經網絡模型訓練及預測，以均方誤差作為適應度，以一定的迭代次數為模型終止條件，選擇預測特征最優化組合。

進一步，所述步驟1選取的特征參數包括開盤價、最高價、成家量、漲跌幅、均價、振幅、成交額、市盈率、總市值、市盈率、總股本、市現率、流通A股和自由流通股本。

進一步，所述RNN神經網絡模型型的結構為兩層LSTM層和一層DENSE層，并采用多輸入、單輸出的結構。

進一步，所述步驟2的具體實現方法包括以下步驟：

⑴將特征參數進行實數編碼，用數字分別表示每個特征；

⑵設置隨機產生的初始特征組合作為初始群體，將種群個數設置與變量個數設置保持一致；

⑶應用輪盤賭方式進行選擇運算，各個個體被選中的概率與其適應度成正比；

⑷應用單點交叉法進行交叉運算，互換兩個個體之間的染色體，設定交叉概率，在交叉運算過程每次產生一個概率，如果隨機概率小于交叉概率則進行交換，反之則不進行；

⑸應用基本位變異法進行變異運算，在當代的個體中，將一個基因用一個較小的概率使其改變，設定變異概率，在變異運算過程每次產生一個概率，如果隨機概率小于交叉概率則進行變異，反之則不進行；

⑹循環步驟⑶至步驟⑸，迭代50次；

⑺選擇適應度最小的的組合作為預測特征最優化組合。