[发明专利]基于指数特征提取的股指预测方法、服务器及存储介质

说明书

本发明提供了一种基于指数特征提取的股指预测方法、装置及存储介质，该方法提取预设数量的时间序列中所有时间点的指数因子及对应的收益率，根据预设规则选取n个指数因子构成一个n维向量，将各个时间点的n维向量及其对应的收益率分别组成一个待训练的样本数据。之后，该方法利用样本数据中的n维向量及其对应的收益率对双向长短期记忆网络模型进行训练，确定模型参数。最后，该方法接收待分析的时间序列，提取出该时间序列所有时间点的n维向量输入到训练好的双向长短期记忆网络模型中，得到该段时间序列的综合解释性指标。利用本发明，能够深层次的提取指数的特征，提高股指预测的准确性。

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于指数特征提取的股指预测方法、服务器及计算机可读存储介质。

背景技术

因子一般是指对研究事物具有影响作用的特征或因素。指数相对于其他指标而言，往往具有时序依赖的特征。目前的指数因子特征提取方法，可以是提取指数位于某一时刻的特定维度的特征，也可以是提取长时间段上指数的趋势性与周期性特征，而对于相邻时序间的依赖关系特征较难提取，从而不能够科学地衡量指数走势。

发明内容

鉴于以上内容，本发明提供一种基于指数特征提取的股指预测方法、服务器及计算机可读存储介质，其主要目的在于提取多重指数特征所包含的综合信息，科学、准确地预测指数走势。

为实现上述目的，本发明提供一种基于指数特征提取的股指预测方法，该方法包括：

样本采集步骤：提取预设数量的时间序列中所有时间点的指数因子及对应的收益率，根据预设规则选取n个指数因子构成一个n维向量x_i，i0且i为整数，将各个时间点的n维向量x_i及其对应的收益率组成待训练的样本数据；

提取步骤：提取样本数据中每段时间序列的所有时间点的n维向量x_i，作为双向长短期记忆网络模型第一层的输入；

处理步骤：在双向长短期记忆网络模型的第二层，根据某段时间序列的某个时间点的n维向量x_i及前一个时间点的n维向量x_i-1的隐藏层状态向量h_i-1计算该时间点的n维向量x_i的第一隐藏层状态向量h_i，并根据该时间点的n维向量x_i及后一个时间点的n维向量x_i+1的隐藏层状态向量h_i+1计算该时间点n维向量x_i的第二隐藏层状态向量h_i’，将第一隐藏层状态向量h_i和第二隐藏层状态向量h_i’进行平均处理，得到该时间点的综合隐藏层状态向量，直至算出所有时间点的综合隐藏层状态向量，再根据每段时间序列的所有时间点的综合隐藏层状态向量得到每段时间序列的特征向量T_i；

计算步骤：在双向长短期记忆网络模型的第三层，根据每段时间序列的特征向量T_i，利用预设的指标计算公式计算下一段时间序列的综合解释性指标S；

权重确定步骤：在双向长短期记忆网络模型的最后一层，将每段时间序列的综合解释性指标S及该段时间序列对应的所有收益率代入反向传播算法，得到各段时间序列的权重a_i；

预测步骤：接收待分析的时间序列，提取该段时间序列中所有时间点的n维向量，输入到训练好的双向长短期记忆网络模型中，得到该时间序列的综合解释性指标S。

优选地，所述预设规则包括：

分析用户的需求，根据用户需求确定用户意图；及

根据预设的意图与指数因子的对应关系，选取对应的指数因子。

优选地，所述预设的指标计算公式为：