[發(fā)明專利]基于標(biāo)準(zhǔn)化流的股票走勢(shì)預(yù)測(cè)系統(tǒng)及方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011363890.4
• 申請(qǐng)日: 2020-11-27
• 公開（公告）號(hào): CN112465224A
• 公開（公告）日: 2021-03-09
• 發(fā)明（設(shè)計(jì)）人: 鐘婷;陳曉蝶;周帆;楊慶;李亮
• 申請(qǐng)（專利權(quán)）人: 電子科技大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q40/04;G06N3/04;G06N3/08
• 代理公司: 成都虹盛匯泉專利代理有限公司 51268
• 代理人: 王偉

本發(fā)明公開了一種基于標(biāo)準(zhǔn)化流的股票走勢(shì)預(yù)測(cè)系統(tǒng)及方法，通過(guò)變分方法將推特文本和歷史股價(jià)信息編碼到隨機(jī)變量中，然后結(jié)合標(biāo)準(zhǔn)化流更加有效的學(xué)習(xí)引入了推特文本和歷史股價(jià)信息的潛在表示，從而能夠捕獲多元時(shí)間序列的時(shí)間模式，實(shí)現(xiàn)對(duì)股票走勢(shì)的有效預(yù)測(cè)。

技術(shù)領(lǐng)域

本發(fā)明屬于金融信息數(shù)據(jù)處理領(lǐng)域，涉及股票走勢(shì)預(yù)測(cè)，尤其涉及基于標(biāo)準(zhǔn)化流的股票走勢(shì)預(yù)測(cè)技術(shù)。

背景技術(shù)

股票走勢(shì)預(yù)測(cè)旨在利用公開的可用信息，預(yù)測(cè)目標(biāo)股票的價(jià)格在未來(lái)一段時(shí)間內(nèi)(例如每天或是每月)是上漲還是下跌。由于股票市場(chǎng)具有復(fù)雜性、噪聲性和動(dòng)態(tài)性，預(yù)測(cè)股票走勢(shì)這是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。

自然語(yǔ)言處理研究人員已經(jīng)表明，來(lái)自社交媒體如推特的市場(chǎng)感知信號(hào)對(duì)股票走勢(shì)有預(yù)測(cè)力。另一方面，基于循環(huán)神經(jīng)網(wǎng)絡(luò)的模型，如長(zhǎng)短期記憶網(wǎng)絡(luò)和門控循環(huán)單元已被廣泛用于模擬股票價(jià)格時(shí)間序列的時(shí)間模式。相比之下，深度生成模型在描述從市場(chǎng)信息到價(jià)格信號(hào)生成的隨機(jī)過(guò)程方面具有優(yōu)勢(shì)。例如，最近的一項(xiàng)研究報(bào)告了最新的技術(shù)：通過(guò)利用深度生成模型變分自編碼器來(lái)學(xué)習(xí)社交媒體推特和歷史股價(jià)的隨機(jī)潛變量。

目前基于深度生成的股價(jià)預(yù)測(cè)模型主要問(wèn)題是在難以有效識(shí)別時(shí)間序列模式。導(dǎo)致該問(wèn)題的原因主要有兩個(gè)方面：(1)基于變分自編碼器的模型通常使用簡(jiǎn)單的后驗(yàn)近似法(例如，平均場(chǎng)和高斯)，這可能導(dǎo)致時(shí)間序列模型的估計(jì)出現(xiàn)偏差；(2)通過(guò)將從變分自編碼器學(xué)習(xí)的潛在變量與循環(huán)神經(jīng)網(wǎng)絡(luò)的最后隱藏狀態(tài)相結(jié)合重構(gòu)編碼輸入表示；這可能會(huì)削弱學(xué)習(xí)到的潛在因素的影響，從而降低模型預(yù)測(cè)的性能，即后驗(yàn)崩塌問(wèn)題。

綜上所述，目前股票預(yù)測(cè)方法均難以實(shí)現(xiàn)有效捕捉社交媒體推特信號(hào)和歷史股價(jià)信號(hào)復(fù)雜的動(dòng)態(tài)模式，從而導(dǎo)致股票未來(lái)預(yù)測(cè)準(zhǔn)確性難以得到有效提升。

發(fā)明內(nèi)容

針對(duì)目前基于傳統(tǒng)深度生成的股票預(yù)測(cè)模型難以有效識(shí)別時(shí)間序列模式的技術(shù)現(xiàn)狀，本發(fā)明目的旨在提供一種新的深度生成模型——基于標(biāo)準(zhǔn)化流的股票走勢(shì)預(yù)測(cè)系統(tǒng)，通過(guò)標(biāo)準(zhǔn)化流來(lái)進(jìn)行股票走勢(shì)預(yù)測(cè)。該預(yù)測(cè)系統(tǒng)采取一種隨機(jī)方法來(lái)學(xué)習(xí)潛在表示，該潛在表示同時(shí)考慮了推特文本和歷史股價(jià)，從而可以捕獲多元時(shí)間序列的時(shí)間模式對(duì)股票走勢(shì)進(jìn)行有效預(yù)測(cè)。

本發(fā)明另一目的旨在提供一種基于標(biāo)準(zhǔn)化流的股票走勢(shì)預(yù)測(cè)方法。

本發(fā)明的發(fā)明思路為：利用標(biāo)準(zhǔn)化流技術(shù)來(lái)構(gòu)建復(fù)雜而靈活的隨機(jī)潛變量的后驗(yàn)分布，并緩解現(xiàn)有基于變分自編碼器的股票預(yù)測(cè)模型中的推斷偏差。

本發(fā)明提供的基于標(biāo)準(zhǔn)化流的股票走勢(shì)預(yù)測(cè)系統(tǒng)，包括：

第一數(shù)據(jù)預(yù)處理模塊，用于獲取第t個(gè)交易日的推特向量

第二數(shù)據(jù)預(yù)處理模塊，用于獲取第t個(gè)交易日的價(jià)格嵌入

輸入模塊，用于將第t個(gè)交易日的推特向量和價(jià)格嵌入按照以下公式構(gòu)建輸入特征向量

式中，其中W_x、W_p均為為權(quán)重矩陣，b_x、b_p均為偏差；

第三數(shù)據(jù)預(yù)處理模塊，用于依據(jù)輸入特征向量獲取第t個(gè)交易日的隱藏變量

編碼器，用于依據(jù)輸入特征向量和隱藏變量通過(guò)變分方法結(jié)合標(biāo)準(zhǔn)化流編碼得到潛在變量及其分布

解碼器，用于依據(jù)潛在變量重構(gòu)輸入特征變量并得到損失值；

輸出層，將編碼器得到的潛在變量和最后一個(gè)隱藏狀態(tài)按照以下公式來(lái)估計(jì)分類置信度

式中，σ(·)為softmax函數(shù)，W_y、W′_p均為權(quán)重矩陣，b′_p、b_y為偏差。