[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

说明书

本发明属于金融时间序列数据处理领域，公开了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、装置和服务器，方法包括：截取股票金融时间序列数据，进行经验模态分解后获得本征模态函数序列；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；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；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；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。本发明通过将堆叠自动编码器和长短期记忆网络结合并应用于股票价格预测来提高金融预测的速度和准确性。

技术领域

本发明属于金融时间序列数据处理领域，更具体地，涉及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。

背景技术

在全球经济、金融一体化的今天，金融市场不断呈现出很多经典金融理论无力解释的复杂现象，主要表现为：金融市场不再是有效市场假说描述下的理想市场，金融市场呈现出的高智能性、强相关性、紧耦合性使它成为一个复杂的非线性动力系统。构建预测模型对这样一个复杂的非线性动力系统进行描述，揭示金融时间序列运行的内在规律，并在世人面前展示它的演化机制，方便人们防范金融风险、管理市场和监督市场，毫无疑问都具有重大的现实意义和理论价值。

金融时间序列是属于时间序列数据的一种，具有很强的时间性，数据前后具有很强的依赖性，且无法调整顺序，一般都是二维数据。现有的金融时间序列分析大多只考虑分析收盘价，但是股指每天都在最高价和最低价之间振荡，如果只分析收盘价，就丢失了很多有用的数据信息，这会造成预测的信息不全面，不能满足市场投资者的要求。这就要求需要对原始的金融数据进行深度的清洗后抽取更为有效的特征，完善预测模型。

受市场噪声和政策易变特征的影响，股票市场预测通常被认为是金融时间序列预测中最具挑战性的问题之一。如何准确预测股票走势仍然是经济、社会领域中的一个悬而未决的问题。在过去的几十年中，机器学习模型，例如人工神经网络(ANNs)和支持向量回归(SVR)，已被广泛应用于股票走势预测，并获得一定的预测成果。

考虑到金融时间序列特别是股票时间序列的复杂性，将深度学习与金融市场预测相结合被认为是金融领域发展的重大趋势之一。然而，这个领域仍然处于探索的初期阶段。

目前金融预测研究中广泛使用三种主要的深度学习方法，包括卷积神经网络(CNN)，深信念网络(DBN)和堆叠自动编码器(SAE)。深度学习应用于金融的相关工作主要集中于前两种，而对于堆叠自动编码器方法是否可以应用于金融市场预测，很少有人研究该领域的相关问题。

发明内容

针对现有技术的缺陷，本发明提供了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，其目的在于通过将堆叠自动编码器和长短期记忆网络结合并应用于股票价格预测来提高金融预测的速度和准确性。

本发明提供了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，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。