[发明专利]一种股票收盘价预测方法

权利要求书

1.一种股票收盘价预测方法，其特征在于，具体包括如下步骤：

(1)收集股票收盘价数据，进行归一化处理，得到归一化的股票收盘价序列，将归一化的股票收盘价序列分为训练集和测试集；

(2)构建股票收盘价预测模型，所述股票收盘价预测模型包括依次连接的互补集合经验模态分解模块、门控循环单元模块、全连接层、宽度学习，所述互补集合经验模态分解模块用于分解股票收盘价数据，所述门控循环单元模块用于提取出分解股票收盘价数据中的映射特征节点，所述全连接层用于获取映射特征节点对应的特征，所述宽度学习用于提取出特征中的增强特征节点；

(3)将训练集输入股票收盘价预测模型中进行训练，直至均方根误差损失函数收敛时，完成对股票收盘价预测模型的训练；

(4)将测试集输入训练好的股票收盘价预测模型中，输出股票收盘价预测值分量和对应权重，将预测值分量求和输出股票收盘价的预测结果。

2.根据权利要求1所述股票收盘价预测方法，其特征在于，所述门控循环单元模块由三个门控循环单元拼接组成。

3.根据权利要求2所述股票收盘价预测方法，其特征在于，所述门控循环单元的神经元数目依次分别为128、64、32。

4.根据权利要求1所述股票收盘价预测方法，其特征在于，步骤(3)具体包括如下子步骤：

(3.1)将训练集输入互补集合经验模态分解模块中，分别加入n次白噪声，每次加入一组正负相反、幅值相同的白噪声，经经验模态分解成IMF分量；

(3.2)将IMF分量分别输入门控循环单元模块中，设置均方根误差损失函数、adam优化算法、随机丢弃神经元比例为0.2、神经元丢弃比例为0.2、平均绝对误差，提取IMF分量中的映射特征节点；

(3.3)将门控循环单元模块输出的映射特征节点输入全连接层中，设置全连接层层数为2层、relu激活函数，得到映射特征；

(3.4)确定宽度学习中的正则化参数为0.00001、每个映射特征节点数为100、映射特征数为30、增强节点数为2800，输出预测值；

(3.5)重复输入训练集，直至均方根误差损失函数收敛时，完成对股票收盘价预测模型的训练。

5.根据权利要求1所述股票收盘价预测方法，其特征在于，所述均方根误差损失函数

其中，n为股票收盘价总量，i表示股票收盘价的索引,y(i)表示股票收盘价实际值,表示股票收盘价预测值。

6.根据权利要求1所述股票收盘价预测方法，其特征在于，所述股票收盘价预测值分量对应的权重W计算过程为：

W＝H^T(CI+HH^T)^-1Y,K＜L

W＝(CI+H^TH)^-1H^TY,K≥L

其中，H为宽度学习的隐藏层，C表示权重平方和约束，I为单位矩阵，()^-1表示逆矩阵，Y表示训练集的真实值，K表示K*L阶矩阵的行，L表示K*L阶矩阵的列。