[发明专利]一种基于长短记忆网络与深度数据清洗的金融时间序列预测方法，装置及服务器

权利要求书

1.一种基于长短记忆网络与深度数据清洗的金融时间序列预测方法，其特征在于，包括下述步骤：

(1)采用窗口宽度为W的滑动窗口实时截取股票金融时间序列数据，并对截取的数据进行经验模态分解后获得本征模态函数序列；

(2)采用降维处理对本征模态函数序列中的冗余数据进行压缩；

(3)采用堆叠自动编码器对降维得到的数据进行无监督学习，获得金融时间序列的深层特征；

(4)将金融时间序列的深层特征按照比例分为训练集、验证集和测试集，并采用训练集对时间循环神经网络模型进行训练后获得训练好的时间循环神经网络模型；

(5)根据训练好的时间循环神经网络模型对金融时间序列进行预测。

2.如权利要求1所述的金融时间序列预测方法，其特征在于，步骤(1)中，股票金融时间序列数据为：F(t)＝(F.O(t),F.C(t),F.H(t),F.L(t))，其中F.O(t),F.C(t),F.H(t),F.L(t)分别表示交易日当天的开盘价、收盘价、最高价和最低价。

3.如权利要求2所述的金融时间序列预测方法，其特征在于，对截取的数据进行经验模态分解后获得本征模态函数序列具体包括：

获取股票金融时间序列F(t)所有的极大值点，并采用三次样条插值函数拟合形成原数据的上包络线；

获取股票金融时间序列F(t)所有的极小值点，并将所有的极小值点通过三次样条插值函数拟合形成数据的下包络线；

获得所述上包络线和所述下包络线的均值m，并将原数据序列F(t)减去包络的平均值m后获得新的数据序列h＝F(t)-m；

判断新的数据序列h是否还存在负的局部极大值和正的局部极小值，若是，则通过数据的特征时间尺度来获得本征波动模式并对新的数据序列h 继续进行分解；若否，则新的数据序列为一个本征模函数。

4.如权利要求1-3任一项所述的金融时间序列预测方法，其特征在于，步骤(2)中，所述降维处理后，原m个本征模态函数序列简化成为n个相对独立的主成分，其中n<m。

5.如权利要求1-4任一项所述的金融时间序列预测方法，其特征在于，步骤(4)中，将金融时间序列的深层特征按照80％，10％，10％的比例分为训练集、验证集和测试集。

6.如权利要求1-5任一项所述的金融时间序列预测方法，其特征在于，步骤(4)中，使用长短期记忆网络对金融时间序列数据进行正向传播计算后获得输出值与检验值之间的误差；

当所述误差不满足收敛条件时，利用反向传播算法对网络参数进行更新，直到误差满足收敛条件后输出训练好的时间循环神经网络模型。

7.一种基于长短记忆网络与深度数据清洗的金融时间序列预测装置，其特征在于，包括：

数据截取模块，采用窗口宽度为W的滑动窗口实时截取股票金融时间序列数据；

分解模块，用于对截取的数据进行经验模态分解后获得本征模态函数序列；

降维模块，用于对本征模态函数序列中的冗余数据进行压缩；

堆叠自动编码器，用于对降维得到的数据进行无监督学习，获得金融时间序列的深层特征；

时间循环神经网络模型获取模块，用于将金融时间序列的深层特征按照比例分为训练集、验证集和测试集，并采用训练集对时间循环神经网络模型进行训练后获得训练好的时间循环神经网络模型；

预测模块，用于根据训练好的时间循环神经网络模型对金融时间序列进行预测。

8.一种服务器，其特征在于，所述服务器上设置有权利要求1所述的基于长短记忆网络与深度数据清洗的金融时间序列预测方法。