[发明专利]基于多任务学习和多指数协同注意力机制的股市预测方法

说明书

本发明公开了一种基于多任务学习和多指数协同注意力机制的股市预测方法，根据A股市场主要指数的特点，使用多指数协同注意力机制，提取不同指数间的共性，保留各自指数的特性，同时采用多任务学习框架，对每个指数做各自的风险预测，有效地解决了传统技术中的“模型结构简单，依赖文本数据”的问题；本发明采用A股市场直接反映大盘走势的主要指数的特征作为模型输入，且在模型训练时分别预测各个主要指数的走势，很好地解决了传统技术中“预测结果未能反映大盘走势”的问题；通过利用本发明提出的方法，能够对整个大盘的走势进行智能化的涨跌预测，从而为投资者确定更好的买卖时机。

技术领域

本发明属于股市风险预测模型技术领域，具体涉及深度神经网络模型的结构设计，特别是涉及一种基于多任务学习和多指数协同注意力机制的股市预测方法。

背景技术

深度学习是机器学习领域中一个重要的研究方向。近年来，得益于数据的爆炸性增长和硬件技术的飞速发展，深度学习在多个领域取得了突破性的进展，包括图像识别、视频分类、文本挖掘、语音合成、自动驾驶等。不同于以往机器学习算法，深度学习网络通过使用大量的数据、先进的硬件设备和合理的网络结构，获得了强大的模型非线性表征能力，因此能够对复杂的场景和任务进行建模和计算。在这之中，数据的量级决定模型的能力上限，硬件的算力决定模型的迭代频率，而深度学习网络结构设计是否合理，直接决定了能否将数据和硬件的效能发挥到最佳。

根据数据形式的不同，深度学习网络结构可以分为卷积神经网络 (如AlexNet、GoogLeNet、ResNet)和时序神经网络(如LSTM、GRU、 BiLSTM)；根据任务数目的不同，深度学习网络结构可以分为单任务学习模型和多任务学习模型；根据任务属性的不同，深度学习网络结构可以分为分类模型和回归模型等。由于股市数据的时序性特点，本发明采用时序神经网络作为基础架构，并利用多任务学习框架作为多指数模型的训练框架。

在大盘波动甚至大跌的时候，如何有效进行避险止损，是投资策略中非常重要的一个环节。股市风险预测模型是量化投资的一类重要模型，它从大量的股市历史数据中选择出各种节点，进而确定更好的投资方案，避免投资者由于情绪影响而出现非理性投资策略的情况。风险预测问题可以转化为“分类”问题，通过回顾过去一段时间的大盘走势，预测近一段时间是涨是跌。传统的股市风险预测模型是多个机器学习算法的融合，例如ARIMA-SVM方法融合了差分自回归移动平均模型(ARIMA)、支持向量机(SVM)和小波分解(WD)联合预测股票价格。但是，此类模型依赖于严格的假设条件，即使数据量不断增大，该方法的预测效果也很难得以改善，因此，许多研究者尝试引入深度学习技术进行股市风险预测。例如，2018年由王浩等人提出的股票助手(StockAssIstant)利用股票的评价信息和价格变动信息，对不同的数据采取不同的处理方式，最后再将数据特征进行整合，从而预测股票的未来走势。但该方法一方面由于需要同时处理时序数据和新闻文本数据，从而不可避免地引入了大量噪声文本，不利于模型训练；另一方面模型结构简单，且依赖文本特征提取模块，进一步限制模型的学习。2020年李炜等人提出的长短时关系图卷积神经网络 (LSTM-RGCN)将每支股票当做图中的节点，股票之间的联系当做图中的边，通过图神经网络对股票的关联度进行建模，进而预测股票涨跌。但该方法需要提前获取股票关系数据，且关系的种类有限，收集难度大，不利于模型的迭代训练。此外，投资者往往关注整个大盘的走势，以便根据大盘走势调整仓位。目前已有的技术只预测单支股票的趋势，未能预测整个大盘走势，从而在实际投资中很难为投资者提供关于大盘的有效信息。

发明内容

为了解决上述技术问题，本发明提供一种基于多任务学习和多指数协同注意力机制的股市预测方法，具体包括以下步骤：

S1、采集股市指数数据的多指数特征，并对所述多指数特征进行标准化处理；

S2、将处理后的多指数特征输入到多任务编码层，得到多个指数编码特征；

S3、将多个所述指数编码特征进行拼接，得到指数特征总和；将所述指数特征总和输入到任务协同注意力网络中，得到任务协同注意力矩阵；