[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

说明书

本发明公开了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，属于金融时间序列预测领域，包括以下步骤：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；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；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；将训练集输入到生成对抗网络模型中进行对抗训练，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；该方法提高基于深度森林生成对抗网络金融序列预测模型的预测准确率。

技术领域

本发明涉及金融时间序列预测领域，尤其涉及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。

背景技术

金融时间序列预测是根据金融数据的历史规律以及变化趋势，对未来金融数据的发展状况做出合理的推测。金融时间序列是时间序列的一种，金融时间序列预测对于政府、投资机构和投资者均有着重要的意义，如何提取特征提高预测准确率，一直以来都是金融领域和计算机领域的研究热点。

传统的金融时间序列预测技术主要包括自回归滑动平均模型、自回归条件差异方差模型、多元线性回归模型等。传统时间序列的预测方法理论成熟，运用起来比较简单，但是传统的时间序列预测方法不能很好地处理非线性拟合的问题，原因在于这些方法都是针对线性的分析方法，而处理非线性问题时应注意数据之间的量化关系，由于传统方法的限制，研究者们发明了很多机器学习的时间序列预测方法，基础的机器学习方法包括人工神经网络(ANN)、支持向量机(SVM)、以及新兴方法生成对抗网络(GAN)等，但这些方法存在模型复杂，收敛困难的问题。

生成对抗网络虽然已经在图像处理、语言分割、视频预测等领域有着广泛的应用，但是针对金融时间序列这种数据量大、特征性多、非线性非稳定噪声性高的复杂时间序列的预测精度不高。

发明内容

根据现有技术存在的问题，本发明公开了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，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。

进一步地，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。

进一步地：所述归一化处理公式如(1)所示：