[发明专利]基于遗传算法与长短时神经网络的股票价格预测方法

权利要求书

1.采用遗传算法与长短时神经网络相结合进行股票预测的方法包括以下步骤：

（1）海量股票多因子历史数据获取，并对多因子数据进行缺失值处理和归一化；

（2）使用遗传算法对原始多因子数据进行特征选择，按因子贡献度对多因子数据进行排名，取排名前四分之一的因子组合作为该股票的输入特征；

（3） 长短时神经网络模型时间步设为k，并根据该时间步对输入数据进行数据转换，即将因子组合前k天的历史数据作为输入数据预测后一天的股票价格；

（4）将数据按7：3的比例分为训练集和测试集，batch_size均为512使用训练集数据进行模型训练并在测试集数据中进行测试；

（5）使用训练好的模型对股票未来股价进行预测。

2.传统循环神经网络模型虽然也具有记忆性的特点，但是随着输入序列长度变长，导致网络的层数大大增加，容易引发梯度消失等问题，为避免梯度消失的发生，使用长短时神经网络作为实验训练网络模型十分必要，因为长短时神经网络是一种特殊的循环神经网络，该网络因其特殊的门机制神经单元结构大大增强了模型的的记忆能力，很好的得解决了传统循环神经网络在学习过程中由于输入序列过长带来的梯度消失问题， LSTM网络将每一个时间步前的所有信息保存在当前时步的神经单元中, 每一个神经单元受输入门、遗忘门、输出门的控制，输入门用来控制当前时刻神经单元的输入信息, 遗忘门用来控制上一时刻神经单元中存储的历史信息, 输出门用来控制当前时刻神经单元的输出信息，这样设计的目的是让LSTM模型能够选择性的记住较为重要的那部分历史信息。