[發明專利]一種基于模糊控制循環神經網絡的時序金融數據預測方法

在審

• 申請號: 202010016983.3
• 申請日: 2020-01-08
• 公開（公告）號: CN111242365A
• 公開（公告）日: 2020-06-05
• 發明（設計）人: 田賢忠;顧思義;胡安娜
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q40/00;G06N3/08
• 代理公司: 杭州斯可睿專利事務所有限公司 33241
• 代理人: 王利強

1.一種基于模糊控制循環神經網絡的時序金融數據預測方法，其特征在于，所述方法包括如下步驟：

步驟1：搜集需要預測的金融數據，所述金融數據是股票日線數據，其中包括每個周期的開始日期，開盤價，收盤價，最低價，最高價，成交量，成交額，共6個指標數據，進一步處理數據，得到相鄰數據間的時間間隔，每個數據之前30日的標準差；

步驟2：將步驟1中的數據，經過滑動窗口處理后，作為模型的輸入，預測的是下個周期的收盤價，作為網絡的輸出，確定循環神經網絡輸入長度m為30，則輸入是兩個形狀為m×k的矩陣和一個長度為k的向量組成，每個輸入矩陣對應一個輸出值，將訓練數據劃分為訓練集、驗證集和測試集；

步驟3：設計循環神經網絡結構，隱藏層在傳遞到下個迭代之前，經過一個控制結構，根據時間間隔和數據波動水平，自適應調整隱藏層h_t-1保留的信息到

設置循環神經網絡的循環次數epoch＝200，GRU部分輸入長度為m＝30，隱藏層單元數目為128，輸出層使用一個網絡單元數為64的linear層，linear層上的dropout設置為0.2，設定網絡允許誤差θ；

步驟6：將步驟4中的訓練集輸入到步驟5中設定的模型中，計算出絕對平均誤差MAE，根據MAE，使用反向傳播算法對模型的參數進行調整；

步驟7：重復步驟6，直到MAEθ；或者循環次數達到epoch，停止訓練；

步驟8：使用訓練完畢的網絡預測，將輸入數據根據步驟1中的方法進行搜集和處理，生成兩個m×k的矩陣和一個長度為k的向量，將其輸入到步驟7訓練完畢的神經網絡中，獲得最終的結果。