[發明專利]基于神經網絡的股票價格趨勢預測方法及系統

在審

• 申請號: 201811064533.0
• 申請日: 2018-09-12
• 公開（公告）號: CN109190834A
• 公開（公告）日: 2019-01-11
• 發明（設計）人: 盧茜妍;梁慶梅;吳沁琳
• 申請（專利權）人: 百色學院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q40/04;G06N3/08
• 代理公司: 北京天奇智新知識產權代理有限公司 11340
• 代理人: 李家恒

本發明公開了一種基于神經網絡的股票價格趨勢預測方法及其系統，本發明的神經網絡模型基于多層人工神經網絡結構而構建，多層人工神經網絡結構采用的算法能快速收斂計算得到最小化損失函數，并且在損失函數中引入的λ參數能夠避免了宏觀經濟環境變化或股票基本面突發性變化所帶來的預測偏差，極大的優化了神經網絡模型預測的準確度，適用范圍廣。同時，本發明多層人工神經網絡所采用的損失函數中采用前向和反向傳播訓練算法找到優化的權重參數_ji^(L)，采用的卷積訓練算法收斂較快，程序運行效率高、實時性強，對硬件配置無需很高要求，系統性價比高。

技術領域

本發明涉及股票量化技術領域，特別涉及一種基于神經網絡的股票價格趨勢預測方法及系統。

背景技術

在數據時代，可通過實時監測、跟蹤研究股票交易數據來進行挖掘分析，以揭示出規律性的東西，將實時數據流分析和歷史相關數據相結合，分析并發現股票價格波動的模型，從而對股票價格趨勢進行預測。但股票價格基本上是動態的，非線性的，相當程度的受人為因素的影響；同時，股票價格的變動也受許多宏觀經濟因素的影響，如政治事件、公司的政策、商品價格指數、銀行利率等等。因此，預測股票價格的是件復雜并具有挑戰的事情。即便如此，股票預測仍然一直都是學術界和金融界的研究熱點。因為，投資者如果能夠精確的把握股票市場的變化規律，不僅可以獲取巨大收益，還可以規避投資風險。

自從股票市場誕生以來，眾多國家的科學家和專業人士先后嘗試了各種方法來預測股票價格的時間序列，包括統計學方法、計量經濟學模型、人工智能與機器學習等。但預測是一種重要的數據分析形式，數據預測由學習階段和預測階段組成，學習階段通過從歷史數據集“學習”從而構造系統模型，學習中的訓練過程是有監督的或無監督的，采用不同的方法對最后結果影響極大、預測難度較大，且預測結果準確性不高。例如申請號為CN201610942370.6的中國發明專利申請公開了一種基于多機器學習的股票預測方法及系統，方法包括以下步驟：獲取股票交易歷史數據，并基于特征選擇和實際操作經驗選擇數據的模型，以作為訓練的輸入訓練集；基于神經網絡理論構建神經網絡模型，其中，神經網絡模塊包括輸入層、第一至第三隱藏層和輸出層；基于決策樹算法和極限向量機算法，根據輸入訓練集和神經網絡模型構建決策模型，并根據決策模型得到股票預測結果及股票交易建議。該預測方法能夠對股票的走勢進行預測，并給出合理的股票交易建議。但其對于神經網絡模型的輸入參數的選擇較窄，得到的預測結果較為局限，僅適用于整個股票的大環境處于平穩狀態下的分析與預測，而無法應對黑天鵝事件、經濟環境、貨幣政策、國際經濟政治局勢等因素的影響。同時，其構建的神經網絡、決策樹、在線極限學習機三種回歸模型，與單各預測模型相比，雖然股價預測的準確度有所提升，但整個系統的運算處理效率變慢、復雜程度高，當運算數據累計到一定容量后極易引發整個系統的崩潰，系統運行穩定性差。

發明內容

本發明的發明目的是，針對上述問題，提供一種基于神經網絡的股票價格趨勢預測方法，通過建立多層人工神經網絡模型，輸入股票交易的歷史數據，實現對人工神經網絡系統的有監督的學習、測試與優化，得到的股票預測數據準確而穩定。

為達到上述目的，本發明所采用的技術方案是：

基于神經網絡的股票價格趨勢預測方法，包括以下步驟：

S1、根據選取原則選取作為多層人工神經網絡的輸入變量的股票技術特征參數，并獲取目標股票的交易歷史數據，以作為訓練的輸入訓練集；

S2、構建基于多層人工神經網絡結構的神經網絡模型，其中，所述多層人工神經網絡結構包括一個輸入層、一個輸出層和兩個以上的隱層，所述輸入層設有n個節點，輸出層設有一個節點且輸出層的輸出結果用以表示所預測的目標股票交易價格的升跌概率；其中所述多層人工神經網絡結構的損失函數如下：