[发明专利]基于降维技术优化的循环神经网络的股市数据分析方法有效
申请号: | 201911057108.3 | 申请日: | 2019-10-24 |
公开(公告)号: | CN110827148B | 公开(公告)日: | 2020-07-24 |
发明(设计)人: | 宋亚童;胡俊丰;于润祥 | 申请(专利权)人: | 宋亚童 |
主分类号: | G06Q40/04 | 分类号: | G06Q40/04;G06N3/04;G06N3/08 |
代理公司: | 西安长和专利代理有限公司 61227 | 代理人: | 黄伟洪 |
地址: | 710126 陕西省西安市长安*** | 国省代码: | 陕西;61 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 技术 优化 循环 神经网络 股市 数据 分析 方法 | ||
1.一种基于降维技术优化的循环神经网络的股市数据分析方法,其特征在于,所述基于降维技术优化的循环神经网络的股市数据分析方法包括以下步骤:
第一步,对数据集分别先取因子分析法对R型因子模型做因子分析,分别取出所述数据集质因子的第一类与第二类;所述数据集中数据按照时间排列,最短15min为单位,5个基本变量分别为open,high,low,close,volume,五个基本变量相互独立,记为X={x1,x2,…xN};若干由5个基本变量导出的导出量,记为Y={y1,y2,…yN};
所述R型因子模型如下:
X=AF+ε;
式中,A为因子载荷矩阵,F为公共因子,ε为特殊因子,利用主因子估计法计算出因子载荷矩阵,因子估计法描述如下:
随机向量X的协方差矩阵为∑,λ1≥λ2≥...≥λp>0为∑的特征根,u1,u2,...,up为对应的标准正交化特征向量,∑的谱分解为:
因子载荷aij表示xi依赖Fj的程度,其值越大,依赖程度越大;对X,Y两个数据集分别先做因子分析,分别取所述因子的第一类与第二类;分别找到两个参变量,并分析这两个参变量随时间变化对股票涨跌的关系;
第二步,找到参变量,并分析参变量随时间变化对股票涨跌的关系;
第三步,把参变量代入LSTM模型进行预测,优化后的LSTM在每个激励源处加入遗忘门,对先前信息进行筛选;
所述LSTM模型包括:
(1)forgetgate:选择忘记过去某些信息:
ft=σ(Wf·[ht-1,xt]+bf);
(2)inputgate:记忆现在的某些信息:
it=σ(Wi·[ht-1,xt]+bi)
(3)将过去与现在的记忆进行合并:
(4)output gate:输出:
ot=σ(Wo·[ht-1,xt]+bo)
ht=ot*tanh(Ct);
所述LSTM模型的计算如下:
g(t)=Φ(Wgxx(t)+Wghh(t-1)+bg)
i(t)=σ(Wixx(t)+Wihh(t-1)+bi)
f(t)=σ(Wfxx(t)+Wfhh(t-1)+bf)
o(t)=σ(Woxx(t)+Wohh(t-1)+bo)
s(t)=g(t)⊙i(i)+s(t-1)⊙f(t)
h(t)=s(t)⊙o(t)。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于宋亚童,未经宋亚童许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201911057108.3/1.html,转载请声明来源钻瓜专利网。