[發明專利]一種基于循環神經網絡的股票收益率預測方法

在審

• 申請號: 201811258869.0
• 申請日: 2018-10-26
• 公開（公告）號: CN109523379A
• 公開（公告）日: 2019-03-26
• 發明（設計）人: 程良倫;申紀元;王卓薇
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06Q40/04
• 分類號: G06Q40/04;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 林麗明

本發明公開了一種基于循環神經網絡的股票收益率預測方法，包括：收集股票數據，前一天收盤時股票的日期、開盤價、收盤價、最高價、最低價成交量、成交量作為預測因子；利用LSTM模型進行股票數據收益率預測建模；采用LTSM神經網絡算法對該模型進行求解；得到未來該股票收益率率預測值。本發明將機器學習理論與投資組合理論相結合，并在集成眾核平臺上實現并行，有效提高了金融股票收益率預測的準確性。

技術領域

本發明涉及股票收益預測領域，更具體地，涉及一種基于循環神經網絡的股票收益率預測方法。

背景技術

為了預測股票價格的變動趨勢，國內外的研究者們將各種統計學和計量經濟學方法應用于股票市場的研究上，例如指數平滑法、多元回歸法、ARIMA模型(自回歸移動平均模型)和GARCH模型(自回歸條件異方差模型)等。但由于影響股票價格的因素眾多，影響機理也非常復雜難以簡單的運用數學模型加以解釋。傳統的統計學模型和計量經濟學模型通常可以模擬線性或平穩序列，而且模型引入的數據量不能過大而且需要進行預處理(通常為差分)，將非平穩的序列改成平穩序列才行。即使可以利用新型廣義自回歸模型來描述非平穩非線性的時間序列，模型的計算結果也并不理想。較為常用的方法包括時間序列法、小波分析法、神經網絡法等，但由于股市的限制以及股票自身的特性，當前諸多方法并不能在預測時達到較好的效果，比如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，而神經網絡當前較為流行的SVM預測模型只對求解小樣本、非線性問題具有優秀的泛化能力，因此基于循環神經網絡的股票收益率預測是值得研究的方向。

發明內容

本發明為克服上述現有技術所述的至少一種缺陷，提供一種基于循環神經網絡的股票收益率預測方法。

本發明旨在至少在一定程度上解決上述技術問題。

本發明的首要目的是為解決上述技術問題，本發明的技術方案如下：

一種基于循環神經網絡的股票收益率預測方法，其特征在于，所述方法包括以下步驟：

S1：在金融市場選取股指數據，對數據進行篩選和歸一化預處理，得到數據集；

S2：使用主成分分析法對S1中的數據進行降維，把降維后的數據集分為80％和20％兩部分，其中，80％部分用作訓練數據集，20％用作測試數據集，并將降維后的數據用隨機函數打亂順序，保證數據的獨立性和準確性；

S3：構造LTSM網絡并使用步驟S2中的數據集進行訓練，利用LSTM對長期信息的感知能力用來學習股票數據中長記憶性特征，將其應用于股票數據的收益率預測并計算目標函數；

S4：調整LTSM網絡參數使目標函數達到收益率的理想值。

進一步地，所述數據包括的指標有：日期、開盤價、收盤價、最高價、最低價、成交量。

進一步地，所述歸一化處理函數如下：

Y＝(X-min(X))/(max(X)-min(X))

Y代表歸一化后的數據，X代表歸一化前的數據。歸一化使得每個參數隨梯度下降的步長與其數量級相對應。

進一步地，所述LTSM網絡包括隱含層單元數目、激活函數、學習速率、正則化因子。

進一步地，步驟S3中的使目標函數最小化是指利用成交日30天的數據預測第31天的數據并與實際數據做對比，目標函數為預測數據與實際數據之差。

與現有技術相比，本發明技術方案的有益效果是：

本發明通過構建LSTM模型進行股票數據收益率預測、采用LTSM神經網絡算法對模型進行求解，得到未來該股票收益率率預測值，提高了金融股票收益率預測的準確性。

附圖說明