[发明专利]基于改进的长短时记忆网络的金融数据预测方法

说明书

本发明公开一种基于改进的长短时记忆网络的金融数据预测方法，涉及深度学习和金融数据预测领域，该方法在计算输入挤压单元、输入门单元、忘记门单元、输出门单元时，加入更多时刻的隐藏层信息，并在此基础上重新设计了前向传播算法和沿时间反向传播算法，利用改进的长短时记忆网络算法对金融时间序列数据进行预测，提高了对金融时间序列数据预测的准确率，加快了算法的收敛速度。

技术领域

本发明涉及深度学习及金融数据预测技术领域，特别是涉及一种基于改进的长短时记忆网络的金融数据预测方法。

背景技术

金融时间序列是指在金融市场(如股票市场、外汇市场等)上金融产品的价格按时间顺序而得到的一列价格数据，它是金融市场分析的基础。目前，对金融时间序列预测方法有多种，例如基于最小二乘支持向量机的方法和逐段回归近似(PRA)方法等，其存在明显的不足，即随着测试数据集的不同，方法的有效性以及准确度等都会有迥异的实验结果，甚至有些预测方法针对某些数据集根本无法使用。

贵州大学的羊巍的论文中，研究了人工神经网络在金融时间序列数据预测中的应用，根据人工神经网络进行股指预测的原理，建立基于BP算法的前向神经网络和基于动态BP算法的Elman神经网络的股指预测模型，采用股指预测模型进行股市预测，并通过MATLAB软件对其预测过程进行仿真实验。提供了利用人工神经网络的研究方法对金融时间序列数据预测的思路和方法，但由于训练困难，仍然很难处理长距离的依赖的问题。

长短时记忆网络(Long Short Term Memory Network,LSTM)一种改进之后的循环神经网络，它成功的解决了原始循环神经网络的缺陷，由于拥有梯度在传递很多时间步之后不消失或爆炸的优势，成为当前最流行的RNN，在语音识别、图片描述、自然语言处理等许多领域中成功应用。但不幸的一面是，LSTM的结构很复杂，在对金融数据预测时，仍然存在一些不足：(1)长短时记忆网络预测结果的准确率有待进一步提高；(2)长短时记忆网络的收敛速度有待进一步加快。

发明内容

为了解决上述问题，本发明提供一种基于改进的长短时记忆网络的金融数据预测方法，该方法在计算输入挤压单元、输入门单元、忘记门单元、输出门单元时，加入更多时刻的隐藏层信息，并在此基础上重新设计了前向传播算法和沿时间反向传播算法，利用改进的长短时记忆网络算法对金融时间序列数据进行预测，提高了对金融时间序列数据预测的准确率，加快了算法的收敛速度。为此，本发明采用的技术方案是：

一种基于改进的长短时记忆网络的金融数据预测方法，该方法包括以下步骤：

(1)输入待处理的金融时间序列数据，将数据中每个时刻的值设定为一个样本；

(2)对金融时间序列数据进行预处理：

对输入的金融时间序列数据进行归一化处理，得到归一化后的金融时间序列数据；

(3)从预处理后的数据集中，确定训练样本集和测试样本集：

从预处理后的数据集中，选取部分(比如前90％)数据作为训练样本集，选取剩余数据作为测试样本集；

(4)初始化改进的长短时记忆网络参数；

(5)将训练样本集中的数据分为若干批次，从中随机选取部分批次的数据作为改进的长短时记忆网的输入数据，并对网络进行训练；

(6)用改进的长短时记忆网络对金融时间序列数据进行正向传播计算，得到输出值与检验值之间的误差；

(7)对误差进行判断，如果误差满足收敛条件，则进入下一步；如果误差不满足收敛条件，则利用沿时间反向传播算法对网络参数进行更新，直到误差满足收敛条件，输出训练好的改进的长短时记忆网络模型；

(8)利用训练好的改进的长短时记忆网络模型对金融时间序列数据进行预测：