[发明专利]一种股票收盘价预测方法

说明书

本发明公开了一种股票收盘价预测方法，涉及深度学习和股票预测技术领域。该股票收盘价预测方法将股票收盘价数据输入构建的股票收盘价预测模型中输出股票收盘价的预测结果。该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。该股票收盘价预测方法提高了股票收盘价的预测精度。

技术领域

本发明涉及深度学习和股票预测技术领域，具体地，涉及一种股票收盘价预测方法。

背景技术

近年来国内金融行业发展迅猛，在促进国家发展上发挥着至关重要的作用，同时对国家产业经济发展的稳定性有着巨大的影响。股票作为金融体系里最基础的金融工具，最能直观的展现出国家经济发展实力，股票走向的预测也成为了投资者所关心的一大问题。为能给投资者提供有意义的投资决策，降低其投资风险，各种股票预测模型被提出。已知股票这类金融数据具有非线性、多尺度、多噪声等特点，传统的机器学习模型存在大量局限性，如支持向量机(SVM)本身在处理大规模数据时就存在缺陷，不利于处理股票这类大规模数据。长短时记忆网络(LSTM)、门控循环单元(GRU)这类单一的深度学习模型的提出在预测领域展现出一定优势，但依旧存在精度不高的问题。近年来将循环神经网络(RNN)与卷积神经网络(CNN)相结合的时间序列预测模型被大量运用，但CNN在训练时池化层会丢失大量有价值信息，忽略局部与整体之间关联性。

发明内容

为解决背景技术中存在的问题，本发明提供了一种股票收盘价预测方法，该股票收盘价预测方法结合互补集成经验模态分解、门控循环单元和宽度学习CEEMD-GRU-BLS，构建股票复合预测模型，提高股票收盘价的预测精度。

为实现上述目的，本发明采用如下技术方案：一种股票收盘价预测方法，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。

进一步地，所述门控循环单元模块由三个门控循环单元拼接组成。

进一步地，所述门控循环单元的神经元数目依次分别为128、64、32。

进一步地，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。