[发明专利]一种基于深度森林生成对抗网络的金融时间序列预测方法

权利要求书

1.一种基于深度森林生成对抗网络的金融时间序列预测方法，其特征在于，包括以下步骤：

S1：获取原始金融时间序列数据，对原始金融时间序列数据进行预处理，得到预处理后金融时间序列数据，计算得到目标金融序列的技术指标，将目标金融序列的技术指标定义为特征序列；

S2：将得到的目标金融序列的技术指标作为深度森林算法的输入特征序列，选择滑动窗口对输入特征序列进行多粒度扫描，训练级联森林，进行特征序列选择，得到特征序列的重要度，将重要度最大的特征序列划分为训练集和测试集；

S3:将离散小波变换与添加了注意力机制的长短时记忆网络作为生成器，卷积神经网络作为判别器，构建生成对抗网络模型，对金融时间序列进行预测；

S4:将训练集输入到生成对抗网络模型中进行对抗训练，获得训练好的生成对抗网络模型；

S5:将测试集输入到训练好的生成对抗网络模型，得到金融时间序列的预测结果。

2.根据权利要求1所述的一种基于深度森林生成对抗网络的金融时间序列预测方法，其特征还在于：所述对金融时间序列数据进行预处理的过程如下：

S1-1:判断采集到的原始金融时间序列数据是否存在数据缺失与异常值问题，当原始金融时间序列数据不存在数据缺失与异常值问题，则将采集到的原始金融时间序列作为完整时间序列；当存在数据缺失与异常值问题，则将该时间点缺失值或异常值之前一周时间内的平均值作为该时间点的数据，补齐金融时间序列；

S1-2:对得到的完整的金融时间序列数据进行归一化处理，得到归一化处理后的金融时间序列数据。

3.根据权利要求2所述的一种基于深度森林生成对抗网络的金融时间序列预测方法，其特征还在于：所述归一化处理公式如(1)所示：

其中，X^*表示归一化后的数据；X表示预处理后的数据；X_min表示处理后数据的最小值；X_max表示预处理后数据的最大值。

4.根据权利要求1所述的一种基于深度森林生成对抗网络的金融时间序列预测方法，其特征还在于：所述目标金融序列的技术指标包括如下：开盘价、收盘价、最高价、最低价、成交量、SMA、MACD、KDJ、BOLL和CR。

5.根据权利要求1所述的一种基于深度森林生成对抗网络的金融时间序列预测方法，其特征还在于：所述进行特征选择的过程如下：

S2-1:使用CART算法的成本函数和基尼系数，生成用于集成随机森林和XGBoost的二叉树结构的决策树；

S2-2:采用多粒度扫描进行特征扫描和特征转换，具体过程如下：

S2-2-1:输入一个m维的原始数据样本，滑动窗口为q维，滑动步长c，滑动窗口扫描原始数据样本提取数据特征，将生成N个q维特征实例，完成特征扫描；

S2-2-2:将q维特征实例经过随机森林和XGBoost训练后，随机森林和XGBoost分别输出s维类概率向量，将所有类概率向量连接为L维转换特征向量，完成特征转换；

S2-3:选择基于Bagging集成方式的随机森林和基于Boosting集成方式的XGBoost作为级联层的基学习器，多个级联层连接构成级联森林；

S2-4:转换特征向量作为级联森林的输入，在级联森林的每层级联层进行随机森林训练和XGBoost训练，在逻辑回归之前，每层级联层产生的类向量和原始特征向量拼接作为下一级联层的输入，逐层训练后，对最后一层级联层产生的所有类向量通过逻辑回归产生最终类向量，从而得到深度森林特征选择的结果。

6.根据权利要求1所述的一种基于深度森林生成对抗网络的金融时间序列预测方法，其特征还在于：所述离散小波变换采用的公式如下:

其中，f(t)为时间序列，ψ_j,k(t)为母小波函数；C_j,k表示离散化小波系数；a，b∈R；a≠0；j，k∈Z，a为伸缩因子，b为平移因子；C是一个与信号无关的常数。