[发明专利]基于并行训练LSTM-ResNets负反馈模型的股价趋势预测方法

说明书

并行训练LSTM‑ResNets负反馈模型，是基于深度学习、统计分析和模型负反馈等方面的基本原理，提高了模型的预测精度,以及提高了模型持续跟踪股价趋势的能力。基于并行训练LSTM‑ResNets负反馈模型的股价趋势预测方法，包括以下步骤：步骤1：对股票数据进行归一化处理；步骤2：构建并行训练LSTM‑ResNets负反馈模型；步骤3：按照模型训练阶段的模型训练流程进行模型训练，生成相关输出；步骤4：按照模型预测阶段的股价预测流程进行股价预测，生成相关输出;步骤5：对股价预测值进行反归一化处理并输出；步骤6：并行训练LSTM‑ResNets负反馈模型的股价预测值的图形化；步骤7：构建量化投资交易体系。

技术领域

本发明涉及金融时间序列的研究，具体是应用基于并行训练LSTM-ResNets负反馈模型的股价趋势预测方法，对股票价格趋势进行量化分析，并建立相关的交易体系。

背景技术

随着国家经济的发展，人们对资本管理更加重视，投资理财也成为了一种常态，预测未来一段时间的股票市场走势具有重大实际意义。

股票市场时间序列数据具有数据维度高、非线性、非平稳等特点，这些特点使得针对股票市场的时间序列数据的预测成为一个研究难点和热点。

基本面分析和技术面分析是两种常用的股票分析方法。近几年来，随着人工智能技术与大数据技术快速发展，深度学习方法逐步应用到股票趋势预测。

循环神经网络(Recurrent Neural Network，简称RNN)是一种深度学习方法，它是一类以序列数据为输入，在序列的演进方向进行递归且所有节点(循环单元)按链式连接的递归神经网络。循环神经网络具有记忆性、参数共享并且图灵完备，因此在对序列的非线性特征进行学习时具有一定优势。循环神经网络用在自然语言处理，例如语音识别、语言建模、机器翻译等领域有应用，也被用于各类时间序列预报。

常见的循环神经网络是双向循环神经网络(Bidirectional RNN，Bi-RNN)和长短期记忆网络(Long Short-Term Memory networks，简称LSTM)。长短期记忆网络LSTM是解决循环神经网络RNN结构中存在的“梯度消失”问题而提出的，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。

残差网络(Residual Networks，简称ResNets)是另一种深度学习方法，它由来自Microsoft Research的4位学者提出的卷积神经网络，在2015年的ImageNet大规模视觉识别竞赛(ImageNet Large Scale Visual Recognition Challenge，ILSVRC)中获得了图像分类和物体识别的优胜。残差网络的特点是容易优化，并且能够通过增加深度来提高准确率。其内部的残差块使用了跳跃连接，缓解了在深度神经网络中增加深度带来的梯度消失问题。

发明内容

1.循环神经网络应用于股价预测的最主要、最关键的几个技术问题:

问题1：循环神经网络的模型输出相当于股价预测的一次随机试验，模型输出带有偶然性，模型输出值偏差较大。

在附图2应用于股票预测的循环神经网络框架图，循环神经网络的模型输出维度N_y等于1时，循环神经网络预测1天的股价；循环神经网络的模型输出维度Ny大于1时，循环神经网络预测1天到Ny天的股价。循环神经网络的模型输出维度不同，循环神经网络的股价预测方式也不同，本专利将循环神经网络的不同股价预测方式称为股价预测模式。比如1天股价预测模式是循环神经网络预测1天的股价，n天股价预测模式是循环神经网络预测1天到n天的股价。

本专利适用于30分钟、60分钟、天、周、月等不同时间段的股价预测。