[發明專利]一種短期股票最高價的預測方法及系統

在審

• 申請號: 202111079576.8
• 申請日: 2021-09-15
• 公開（公告）號: CN114022171A
• 公開（公告）日: 2022-02-08
• 發明（設計）人: 劉鵬;張真;高中強;張堃;郭玉琦
• 申請（專利權）人: 南京云創大數據科技股份有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06Q40/06;G06K9/62
• 代理公司: 南京鐘山專利代理有限公司 32252
• 代理人: 王磊

本發明具體涉及一種短期股票最高價的預測方法及系統，預測方法中通過CEEMDAN算法對金融時間序列進行分解以獲取IMF成分及殘余成分RES，并通過SSA算法對IMF成分進行降噪，最后通過訓練與各成分對應的并具有注意力機制的TCN網絡，進而對待預測企業股票的短期最高價進行預測；基于該預測方法本發明還提出了一種預測系統，包括數據采集模塊、數據分解模塊、變量預測模塊和最高價輸出模塊，用于實現該預測方法。本發明結合CEEMDAN和SSA算法，使用TCN深度學習模型和注意力機制捕捉股票最高價的變化趨勢，提高了股票最高價預測的精度，具有良好的泛化性能。

技術領域

本發明屬于股價預測領域，具體涉及一種短期股票最高價的預測方法及系統。

背景技術

隨著中國股票市場和計算機技術的發展，越來越多的學者基于深度學習技術來探索股票價格的變化趨勢。傳統的股票價格預測技術中假設股票的變化是個線性過程，然而現實中的股價變化特性是非線性的。后續隨著深度學習的發展，產生了很多處理時序數據的模型，這類模型一方面解決了股價變化非線性的特點，另一方面可以記憶股價的變化趨勢特點。然而，大多數研究的股票預測價格是收盤價而且還是研究收盤價的長期變化趨勢，對于一些散戶來說，更關注的是股票的最高價以及短期的變化趨勢。

發明內容

針對現有技術的不足，本發明提供一種短期股票最高價的預測方法及系統，采用以下技術方案：

一種短期股票最高價的預測方法，包括以下步驟：

步驟1：采集各企業股票一定時間內每日的最高價數據，形成各企業股票最高價的金融時間序列；

步驟2：對各企業股票最高價的金融時間序列進行CEEMDAN分解，得到金融時間序列的IMF成分和殘余成分RES；

步驟3：刪除與金融時間序列無關的IMF成分并對剩余IMF成分進行降噪；

步驟4：將降噪后的IMF成分及殘余成分RES進行標準化，并分別劃分特征變量和目標變量，得到IMF成分的特征變量和目標變量、殘余成分RES的特征變量和目標變量；

步驟5：利用IMF成分的特征變量和目標變量訓練用于預測IMF成分的TCN網絡，利用殘余成分RES的特征變量和目標變量訓練用于預測殘余成分RES的TCN網絡；

步驟6：提取待預測企業股票最高價的金融時間序列的IMF成分的特征變量和殘余成分RES的特征變量，將提取到的IMF成分的特征變量輸入相應的訓練完成的TCN網絡中以獲取IMF成分的預測變量，將提取到的殘余成分RES的特征變量輸入相應的訓練完成的TCN網絡中以獲取殘余成分RES的預測變量；

步驟7：將IMF成分的預測變量與殘余成分RES的預測變量疊加，得到預測的最高價的金融時間序列，從而獲取待預測企業股票的短期最高價預測值。

進一步地，步驟3中，通過SSA算法對剩余IMF成分進行降噪。

進一步地，步驟4中，劃分特征變量和目標變量時，分別將標準化后的IMF成分及殘余成分RES按照時序切分成具有相同長度的若干段序列，前一段序列作為緊鄰的后一段序列的特征變量，后一段序列作為緊鄰的前一段序列的目標變量，以此構建多組數據樣本。

進一步地，步驟5和步驟6中，特征變量在輸入到相應TCN網絡之前，通過注意力機制按時序對特征變量進行了加權，特征變量中距當前時間點越近的值其所加的權值越大。