[发明专利]一种基于深度循环神经网络的股指价格预测方法

说明书

本发明提供了一种基于深度循环神经网络的股指价格预测方法，其方法包括：首获取待预测股指的历史指数数据，并将获取的历史指数数据分为训练数据序列和预测数据序列；然后对训练数据序列和预测数据序列分别进行分析处理，构建长短时记忆节点的深度循环神经网络模型，并采用监督学习的方法对模型进行训练；最后根据所述处理后的预测数据序列，采用训练后的长短时记忆节点网络模型，对下一个工作日的股指进行预测。本发明的有益效果是：本发明所提出的技术方案结合时间序列中的相空间重构方法和深度学习中的长短时记忆网络，设计了一个应用于股指价格的预测模型，相对于别的方法，可取得更高的精度，拥有更好的预测能力。

技术领域

本发明涉及金融领域，尤其涉及一种基于深度循环神经网络的股指价格预测方法。

背景技术

近年来随着经济的飞速发展，金融活动日益增多，其变化趋势也更为复杂。掌握金融活动规律，预测其的发展变化，变得越来越有意义。若能采取一种或是一系列方法，对金融进行大致的预测，便可在宏观方面理解金融市场的发展变化，在微观为投资者和盈利机构提供交易决策和方案的依据，使其获得的收益最大化。由于金融数据所蕴含的信息具有复杂，不完整和模糊性，所以预测其发展趋势是一个极为困难的挑战。

在高效的机器学习算法出现前，国内外的研究者一般使用各统计学和计量经济学方法用于建立预测模型，进行研究。传统的统计学模型和计量学模型由于其对于模型线性前提的需求，在将非线性模型变换为线性模型之前无法应用于金融产品的预测分析上。神经网络作为机器学习方法中的重要一个分支，相比于传统的统计方法优点在于：其是数值型的，由数据驱动的，具有自适应机制。所以它一般对不精确的数据和有噪环境下的数据具有更好的分析能力。如今已被广泛用于预测时间序列问题上。而新兴的深度学习算法，被设计为能够用于海量的非线性数据训练，能够构建出包含多隐层的深层神经网络，捕获数据间更为抽象的非线性关系，相比于传统机器学习方法能更好的应用在非线性问题上。

1988年White通过神经网络来预测IBM股票的日收益率变化。Refenes等学者于1994年使用多元线性回归模型来代替经典技术预测理论套利定价原则。Zhang将自回归积分滑动平均模型(ARIMA)与人工神经网络(ANN)结合运用在时序预测上，并进行了对比研究。结果表明神经网络对于非线性数据的分析处理更具优势。Vanstone和Finnie于2009年提出一种基于神经网络的实证方法用于使用ANN的自动交易系统。Jasemi等人使用了多层感知器(MLP)模型用于研究在日本股票蜡烛线中的隐藏信息。Ticknor提出一种使用贝叶斯网络的股指价格预测模型，并使用微软集团与高盛公司的股指进行实验证明其有效性。Wang在论文中提出随机有效时间函数神经网络(STNN)并结合PCA应用于多个证券之中。熊志斌使用ARIMA模型预测序列的线性主体，然后用NN模型对其非线性残差进行估计,最终合成为整个序列的预测结果。通过对人民币汇率序列的仿真实验验证了融合预测模型的有效性。吴秋芳等人以量价关系相关理论为基础，使用EGARCH模型和BP神经网络对中国股市的量价关系进行了实证研究。李祥飞将经验模态分解(EMD)和支持向量机(SVM)方法结合引入误差序列的预测中。