[发明专利]一种基于集成学习模型的股价预测方法

权利要求书

1.一种基于集成学习模型的股价预测方法，其特征在于：所述方法包括如下步骤：

步骤1：采集股票价格的历史数据和相应影响股价的基本因素；

步骤2：根据基本因素出现的时间点和固定时间间隔对股价历史数据和基本因素进行分组；

步骤3：构建股价预测模型；

步骤4：训练股价预测模型；

步骤5：测试股价预测模型；

步骤6：实时采集当前股票价格的数据和股票基本因素数据；

步骤7：根据当前的股价和基础因素输入股价预测模型预测未来一个时间点或者时间段的股价。

2.根据权利要求1所述的一种基于集成学习模型的股价预测方法，其特征在于：所述步骤1中的基本因素包括基础因素和技术因素；所述基础因素包括经济性因素、政策性因素、所属行业因素和业绩因素，所述技术因素包括公司技术突破因素和行业技术占比因素。

3.根据权利要求2所述的一种基于集成学习模型的股价预测方法，其特征在于：所述所属行业因素是从商品形态上分析公司产品是生产资源还是消费资源，从需求形态上分析公司产品的销售对象及销售范围，从生产形态上分析公司是劳动密集型、资本密集型或是知识技术密集型，分析每个因素都占一定权重因素。

4.根据权利要求1所述的一种基于集成学习模型的股价预测方法，其特征在于：所述步骤2中的具体过程为：取其中的一个时间点为起始点，然后按照固定间隔时间采集历史股价数据和基本因素数据，当基本因新出现、消失或者改变时，以该时间点为起始点采集历史股价数据和基本因素数据，然后再按固定间隔时间进行采集，得到若干个分组数据。

5.根据权利要求1所述的一种基于集成学习模型的股价预测方法，其特征在于：所述步骤3中构建股价预测模型由双层数据子网、参数特征结构层和分类定位预测网络组成，双层数据子网由历史数据子网和历史实时数据子网组成，历史数据子网和历史实时数据子网共享相同或者相近的参数，历史数据子网对选取历史时间N-D点的股价和基本因素进行参数特征提取得到历史参数特征层，历史实时数据子网对选取历史时间N点的股价和基本因素进行参数特征提取得到实时数据特征层，其中，N为历史的实时变化的时间数据，D为相隔时间数据，历史参数特征层和实时数据特征层中抽取H层参数特征，H为正整数；

参数特征结构层建成后，选取历史时间N+M点原目标预测股价和时间N的基础因数，M为相隔实时时间的预测点间隔时间，分类定位预测网络由预选数据子网、分类器子网和预测回归子网组成，预选数据子网用于初选预选数据，分类器子网用于生成权重系数，预测回归子网用于生成股价偏移量，同时分类定位预测网络与参数特征结构层并行执行。

6.根据权利要求1所述的一种基于集成学习模型的股价预测方法，其特征在于：所述步骤4中的具体过程为：

收集好选取历史时间N-D点的股价和基本因素和选取历史时间N点的股价和基本因素后，分别输入历史数据子网和历史实时数据子网获得历史参数特征层和实时数据特征层，抽取不同层次和不同权重的历史参数特征层和实时数据特征层构建参数特征结构，选取历史时间N+M点原目标预测股价和时间N的基础因数并输入构建参数特征结构和分类定位预测网络，M为相隔实时时间的预测点间隔时间，分别把每个历史参数特征层和实时数据特征层分别输入分类定位预测网络，分类定位预测网络与参数特征结构层并行执行，并得到分类定位预测网络的输出结果，把输出结果与历史时间N+M点真实股价进行相似度匹配，获取正样本和负样本，利用目标损失函数计算匹配结果与标签真实值之间的误差，并将该误差逐层反向传播至输入层，同时，基于小批量随机梯度下降优化算法调整网络中的权重和偏置，获取最优的误差值，完成一次网络模型训练。

7.根据权利要求1所述的一种基于集成学习模型的股价预测方法，其特征在于：所述步骤5的具体过程为：

将选取历史时间N-D点的股价和基本因素和历史时间N-D’点的股价和基本因素分别输入历史数据子网和历史实时数据子网并输出结果数据，把结果数据输入到训练好的股价预测模型中，得到特征层的参数，然后把参数输入分类定位预测网络得到测试结果，然后将测试结果输回到历史实时数据子网，完成模型测试。