[發明專利]一種基于深度循環神經網絡的股指價格預測方法

在審

• 申請號: 201910041322.3
• 申請日: 2019-01-16
• 公開（公告）號: CN109492838A
• 公開（公告）日: 2019-03-19
• 發明（設計）人: 顏雪松;余鵬飛;孫淼
• 申請（專利權）人: 中國地質大學（武漢）
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q40/04
• 代理公司: 武漢知產時代知識產權代理有限公司 42238
• 代理人: 孫妮

本發明提供了一種基于深度循環神經網絡的股指價格預測方法，其方法包括：首獲取待預測股指的歷史指數數據，并將獲取的歷史指數數據分為訓練數據序列和預測數據序列；然后對訓練數據序列和預測數據序列分別進行分析處理，構建長短時記憶節點的深度循環神經網絡模型，并采用監督學習的方法對模型進行訓練；最后根據所述處理后的預測數據序列，采用訓練后的長短時記憶節點網絡模型，對下一個工作日的股指進行預測。本發明的有益效果是：本發明所提出的技術方案結合時間序列中的相空間重構方法和深度學習中的長短時記憶網絡，設計了一個應用于股指價格的預測模型，相對于別的方法，可取得更高的精度，擁有更好的預測能力。

技術領域

本發明涉及金融領域，尤其涉及一種基于深度循環神經網絡的股指價格預測方法。

背景技術

近年來隨著經濟的飛速發展，金融活動日益增多，其變化趨勢也更為復雜。掌握金融活動規律，預測其的發展變化，變得越來越有意義。若能采取一種或是一系列方法，對金融進行大致的預測，便可在宏觀方面理解金融市場的發展變化，在微觀為投資者和盈利機構提供交易決策和方案的依據，使其獲得的收益最大化。由于金融數據所蘊含的信息具有復雜，不完整和模糊性，所以預測其發展趨勢是一個極為困難的挑戰。

在高效的機器學習算法出現前，國內外的研究者一般使用各統計學和計量經濟學方法用于建立預測模型，進行研究。傳統的統計學模型和計量學模型由于其對于模型線性前提的需求，在將非線性模型變換為線性模型之前無法應用于金融產品的預測分析上。神經網絡作為機器學習方法中的重要一個分支，相比于傳統的統計方法優點在于：其是數值型的，由數據驅動的，具有自適應機制。所以它一般對不精確的數據和有噪環境下的數據具有更好的分析能力。如今已被廣泛用于預測時間序列問題上。而新興的深度學習算法，被設計為能夠用于海量的非線性數據訓練，能夠構建出包含多隱層的深層神經網絡，捕獲數據間更為抽象的非線性關系，相比于傳統機器學習方法能更好的應用在非線性問題上。

1988年White通過神經網絡來預測IBM股票的日收益率變化。Refenes等學者于1994年使用多元線性回歸模型來代替經典技術預測理論套利定價原則。Zhang將自回歸積分滑動平均模型(ARIMA)與人工神經網絡(ANN)結合運用在時序預測上，并進行了對比研究。結果表明神經網絡對于非線性數據的分析處理更具優勢。Vanstone和Finnie于2009年提出一種基于神經網絡的實證方法用于使用ANN的自動交易系統。Jasemi等人使用了多層感知器(MLP)模型用于研究在日本股票蠟燭線中的隱藏信息。Ticknor提出一種使用貝葉斯網絡的股指價格預測模型，并使用微軟集團與高盛公司的股指進行實驗證明其有效性。Wang在論文中提出隨機有效時間函數神經網絡(STNN)并結合PCA應用于多個證券之中。熊志斌使用ARIMA模型預測序列的線性主體，然后用NN模型對其非線性殘差進行估計,最終合成為整個序列的預測結果。通過對人民幣匯率序列的仿真實驗驗證了融合預測模型的有效性。吳秋芳等人以量價關系相關理論為基礎，使用EGARCH模型和BP神經網絡對中國股市的量價關系進行了實證研究。李祥飛將經驗模態分解(EMD)和支持向量機(SVM)方法結合引入誤差序列的預測中。