[发明专利]一种利用光子晶体储备池训练光信号的股票预测方法

说明书

本申请涉及计算机技术领域，具体提供了一种利用光子晶体储备池训练光信号的股票预测方法，该方法包括：S1，获取股票数据并进行预处理；S2，构建光子晶体储备池并对其进行训练；S3，迁移学习；S4，误差评估及预测结果的输出。本发明中采用迁移学习将利用大数据量训练得到的预测能力用于预测数据量较少的新发行股票，有效提升预测准确率。光子晶体储备池相较于深度学习与机器学习等算法不需要训练大量的神经元与多种权重，而仅需训练输出权重就能够完成预测任务的计算过程，提升了计算速度。本发明解决了股票市场中上市时间短、数据量少的新发行股票的快速预测问题，且预测准确率较高。

技术领域

本申请涉及计算机技术领域，具体而言，涉及一种利用光子晶体储备池训练光信号的股票预测方法。

背景技术

自17世纪世界上最早的证券交易所—阿姆斯特丹证券交易所诞生以来，众多投资者获益于股票市场的高回报性，因此股票市场波动与变化一直是众多投资者重点关注的热点，这些投资者希望通过科学研究，揭示股票市场的运行规律，并准确预测股票的价格走势。然而，股市中股票价格受到众多因素的共同影响，是一个非常复杂的动力学系统，其非线性、非平稳性、噪声特性、长记忆性与复杂性等特点导致开展股票价格的预测工作极为困难。

新发行的股票通常是指上市时间较短，未进行分红派送除权的股票，一般新发行的股票都会迎来上升期，在此期间股票价格会上升，这是由于新股市盈率低，估值自然低，在上市后，认购新股的人多，需求大，新股股价就会涨到实际价值甚至超过实际价值，因此，对新发行的股票进行准确的预测对于投资者来说十分重要。现有的股票预测方法大都是发行时间较久、数据量较多的股票的预测方法，这样的预测方法的准确率与股票数据的样本量密切相关，其中预测的准确率主要取决于样本的容量大小，样本容量越大，预测准确率越高，样本容量越小，预测结果的准确率越低。但是，由于新发行股票的上市时间短，可训练样本容量小，对新发行股票的预测比传统股票预测更困难。

综上所述，现有的股票预测方法对上市时间短，数据量较少的新发行股票的预测准确率较低，因此，不适合对新发行股票进行预测，不能为新发行股票的投资者提供参考和建议。

发明内容

本发明的目的在于，针对上述现有技术中的不足，提供一种利用光子晶体储备池训练光信号的股票预测方法，以解决现有的股票预测方法对上市时间短，数据量较少的新发行股票的预测准确率较低的问题。

迁移学习是一种机器学习的方法，指的是一个预训练的模型被重新用在新的任务中，这样预训练模型作为新模型的起点，将已习得的强大技能迁移到新任务的解决中。迁移学习是将旧模型中训练得到的预测能力用于新模型中，这样使得新模型的预测能力更强，使得新模型解决相关问题的能力较强，在此基础上，仅需要将样本输入新模型，就可以获得很好的预测结果，新任务中不需要使用大量的数据对新模型进行训练，因此迁移学习方法在解决数据量较少的小数据问题中能够取得很好的效果。本发明方法中使用迁移学习方法解决新发行股票预测领域数据量小的问题。由于股票市场中新发行股票与其所属股市板块的价格变动规律往往具有相关性和联动性，因此利用数据量较大的股市板块数据训练得到模型应用于新发行股票的预测任务中，能够有效提升新发行股票的预测准确率。光子晶体储备池是可用于训练的神经网络，光子晶体储备池相较于深度学习与机器学习等算法不需要训练大量的神经元与多种权重，仅需训练输出权重就能够完成预测任务；这样一方面能够提升运算速度，减少时间成本，另一方面，能够有效提升预测准确率。

本申请提供一种利用光子晶体储备池训练光信号的股票预测方法，该方法包括如下步骤：S1，获取股票数据并进行预处理；S2，构建光子晶体储备池并对其进行训练；S3，迁移学习；S4，误差评估及预测结果的输出。

步骤S1包括：收盘价数据获取、归一化处理、去噪处理。具体地，收盘价数据为新发行股票的收盘价数据和该新发行股票所属股市板块的收盘价数据；归一化处理采用公式进行；降噪处理采用阶数为3的db3小波利用wden函数实现数据去噪，其阈值标准为minimaxi极大极小值阈值标准。