[发明专利]一种汇率预测方法

说明书

本发明提供了一种汇率预测方法，涉及汇率预测技术领域，包括步骤：获取若干条浮动数据，得到原始数据集；对原始数据集进行预处理；将预处理后的数据使用CNN层提取数据的局部特征，同时使用BiGRU双向提取数据的时序特征；通过Attention层对所述局部特征与时序特征进行加权求和，获得最终预测结果。本发明使用CNN层挖掘数据中的内部特征，然后使用BiGRU获取数据间的时序特征，通过引入注意力机制，能够快速让模型获取到更多关键的特征信息。

技术领域

本发明涉及汇率预测技术领域，尤其涉及一种汇率预测方法。

背景技术

随着互联网行业规模迅速不断地发展与壮大，其在金融业也充当着一种日益关键的角色。近年来，由于人民币汇率浮动区间的扩大使得人民币开始对世界经济的变化更加敏感，远期外汇市场的稳定成为对外贸易中的重要一环。

投资者可以在外汇市场的帮助下获得汇率的走势从而规避风险，获取汇率差额收益，政府也可以利用远期汇率市场提供的数据，了解当前人民币外汇的行情走势，判断政策的合理性与有效性。汇率的变化与国家宏观经济的发展、国内外重大事件的发生以及国际社会的舆论风波等都有关联，这导致汇率的波动有时会极其剧烈且突然。另外，由于汇率数据基数庞大，且一般呈非线性状，传统的机器学习算法，如支持向量机、随机森林、决策树等，无法很好地对汇率走势进行预测。

发明内容

本发明提供了一种汇率预测方法与方法，目的是为了解决现有技术中存在的缺点。

为了实现上述目的，本发明提供如下技术方案：一种汇率预测方法，包括如下步骤：

获取若干条汇率的浮动数据，得到汇率的原始数据集；

构建CNN-BiGRU-Att模型，所述CNN-BiGRU-Att模型包括CNN层、BiGRU层以及Attention层；

将原始数据集中的数据输入所述CNN-BiGRU-Att模型，通过所述CNN层提取数据的局部特征，同时使用所述BiGRU层双向提取数据的时序特征；通过所述Attention层对局部特征与时序特征进行加权求和，获得最终预测结果。

优选的，通过所述CNN层提取数据的局部特征，具体包括如下步骤：

将原始数据集中的batch_size数据输入所述CNN的Conv1D层，其中每个batch_size的数据为5*4矩阵；

通过所述Conv1D层中16个一定长度和宽度的卷积核与每个batch_size的数据进行卷积运算，得到5*16矩阵；

将所述5*16矩阵输入CNN的Maxpooling层，每一列只保留最大值，得到1*16矩阵；

所述最终数据格式为：None，1，16，其中None为输入batch_size的大小。

优选的，所述使用BiGRU层双向提取数据的时序特征，包括如下步骤：

通过一对向前和向后的GRU分别从正向和反向提取所述1*16矩阵中数据的序列特征；

将两个输出的所述序列特征拼接起来得到最终的结果。

优选的，所述通过一对向前和向后的GRU分别从正向和反向去提取序列特征，其具体的计算过程为：

z_t＝σ(w_z*[h_t-1,x_t]+b_z)

r_t＝σ(w_r*[h_t-1,x_t]+b_r)