[发明专利]智能终端及其基于LSTM的股票趋势预测方法

权利要求书

1.一种基于长短期记忆神经网络的股票趋势预测方法，其特征在于，所述基于长短期记忆神经网络的股票趋势预测方法包括：

获取目标股票的历史数据；

将所述历史数据进行数据清洗、归一化；

将清洗归一化后的历史数据按照时间划分为训练数据集与测试数据集；

对所述训练数据集的训练数据进行离线模型训练，以分别训练长短期记忆神经网络LSTM的多个神经网络模型；

获取训练数据对于训练后的多个神经网络模型输出的预测值列表，将所述预测值列表与实际的股票趋势值进行比较，计算得到多个神经网络模型作为组合模型时所占的权重值；

利用测试数据集的测试数据对组合模型中的多个神经网络模型评估预测效果，根据预测效果调整所述多个神经网络模型作为组合模型时所占的权重值。

2.根据权利要求1所述的股票趋势预测方法，其特征在于，所述根据预测效果调整所述多个神经网络模型作为组合模型时所占的权重值之后，还包括：

使用滚动时间窗口的方式对未来预定时间段的股票趋势具体数值进行预测。

3.根据权利要求2所述的股票趋势预测方法，其特征在于，所述使用滚动窗口的方式对未来预定时间段的股票趋势进行预测，包括：

将组合模型预测的涨跌幅转换为被预测时刻的预测数值，再将当前预测出的预测数值，填入下一被预测时刻的时间窗口，并依此交替循环；

当获取到目标股票实际变化趋势的实际数值时，将预测数值与实际数值对比，并根据对比结果将实际数值作为一组新的训练数据，代入模型以更新模型参数。

4.根据权利要求1所述的股票趋势预测方法，其特征在于，所述获取目标股票的历史数据，包括：获取目标股票、目标股票的同一板块、所在大盘、其他相关股票、和/或房价等相关领域数据进行融合，以综合得到所述目标股票的历史数据。

5.根据权利要求4所述的股票趋势预测方法，其特征在于，所述以综合得到所述目标股票的历史数据，具体包括：

根据目标股票的数据分布特点，使用接受-拒绝采样方法，选取分布相似的目标股票的同一板块、所在大盘、其他相关股票、和/或房价等相关领域数据，与目标股票的数据一并构成原始的所述历史数据。

6.根据权利要求1所述的股票趋势预测方法，其特征在于，所述将清洗归一化后的历史数据按照时间划分为训练数据集与测试数据集，包括：

将所述历史数据中时间位于指定时刻之前的早期数据划分为训练数据集，将所述历史数据中时间位于指定时刻之后的晚期数据划分为测试数据集。

7.根据权利要求1或6所述的股票趋势预测方法，其特征在于：

所述对所述训练数据集的训练数据进行离线模型训练之前，还包括：

使用训练数据集的训练数据生成不同跨度的时间序列数据；其中，对于每个时间跨度(t₀,t₁,t₂,...t_n)，使用(t₀,t₁,t₂,...t_n-1)作为输入值，使用t_n-1与t_n之间的差异值，将其进行离散化后，转换为独热码数据作为监督值；

所述对所述训练数据集的训练数据进行离线模型训练，对应包括：

使用不同跨度的时间序列数据中的每份时间序列数据分别训练LSTM的多个神经网络模型。

8.根据权利要求1所述的股票趋势预测方法，其特征在于，所述对所述训练数据集的训练数据进行离线模型训练，具体包括：

对所述训练数据集的训练数据采用基于内存计算的分布式训练方法进行训练，其中，将训练数据分发到各个节点上并将神经网络模型的初始模型参数广播给各个节点，每个节点根据当前的模型参数与一定规模的训练数据，获得当前梯度与模型参数更新量，通过汇总各个节点反馈的模型参数更新量来更新模型参数，并将更新后的模型参数广播给各个节点，依此迭代反复，以根据要求完成单个LSTM神经网络模型的训练。

9.根据权利要求1所述的股票趋势预测方法，其特征在于，所述计算得到多个神经网络模型作为组合模型时所占的权重值，具体包括：

通过多个时段的训练数据，使用线性回归的方法，得到各个LSTM神经网络模型在最终的组合模型输出中的权重值。

10.一种智能终端，其特征在于，所述智能终端包括处理器，所述处理器用于读取并执行程序数据，可实现根据权利要求1-9任一项所述的基于长短期记忆神经网络的股票趋势预测方法。