[发明专利]一种基于小波去噪生成对抗网络的股票收盘价预测方法

权利要求书

1.一种基于小波去噪生成对抗网络的股票收盘价预测方法，其特征在于，包括如下步骤：

(1)选取股票数据中的收盘价作为数据集，并对数据集进行预处理，将数据集划分为训练集与测试集；

(2)构建包括生成器和判别器的股票收盘价预测模型；所述生成器是由门控循环单元构成，用在于生成股票数据；所述判别器由卷积神经网络构成，用于区分真假数据；

(3)利用单支重构原理构建生成器目标函数；

(4)将以N日为窗口划分的数据记为“真”，将以(N-1)日为窗口划分的数据输入生成器所得到的结果记为“假”，一起输入判别器中输出真伪的判断结果。

2.根据权利要求1所述的基于小波去噪生成对抗网络的股票收盘价预测方法，其特征在于，所述步骤(1)包括以下步骤：

(11)对数据进行量纲处理，即标准化；

(12)对数据进行小波去噪，再对高频系数进行去噪处理，最后单支重构；

(13)滚动划分数据集，并按照8:2划分训练集测试集。

3.根据权利要求1所述的基于小波去噪生成对抗网络的股票收盘价预测模型，其特征在于，步骤(2)所述生成器由三层门控神经单元与三个全连接层组成；第一层为1024个神经元，第二层为512个神经元，第三层为256个神经元，学习率为0.0006，并且每一层都设置Dropout；所述三层全连接网络，输出维度分别设置为128、64、7。

4.根据权利要求1所述的基于小波去噪生成对抗网络的股票收盘价预测模型，其特征在于，步骤(2)所述判别器是由两层卷积神经网络与一个全连接层组成，卷积核与步长均为[2，2]，激活函数为LeakyRelu，学习率为0.0006，负数部分线性函数的梯度均为0.01，全连接层输出维度为1，激活函数为sigmoid。

5.根据权利要求1所述的基于小波去噪生成对抗网络的股票收盘价预测模型，其特征在于，步骤(2)所述卷积神经网络是由卷积层、池化层和全连接层构成；所述卷积层主要是通过共享权值来实现对特征的提取，其数学表达式为：

式中σ为激活函数，c为偏置参数，l表示局部感受野的长，m表示局部感受野的宽，w_l,m是权重参数，α_l,m表示卷积层的输入数据，h表示提取的特征。

6.根据权利要求1所述的基于小波去噪生成对抗网络的股票收盘价预测模型，其特征在于，所述步骤(3)实现过程如下：

原始生成对抗网络的目标函数为：

min_Gmax_DV(D,G)＝E_x～pdata(x)[log(D(X))]+E_z～pz(z)[log(1-D(G(z)))] (1)

式(1)表示最大化判别器D和最小化生成器G，Pdata是样本中采样的真实数据，D(X)是真实数据的概率；Pz在本文中指输入的股票信息；G(z)是z通过生成器生成的数据，D(G(z))表示生成数据是真实数据的概率；式(1)分解为式(2)和式(3)：

max_DV(D,G)＝E_x～pdata(x)[log(D(X))]+E_z～pz(z)[log(1-D(G(z)))] (2)

min_GV(D,G)＝E_z～pz(z)[log(1-D(G(z)))] (3)

式(2)是判别器的目标函数，真实数据标签为1，生成数据标签为0，期望D(X)越来越接近于1，而D(G(z)越来越接近于0，判别器区分真假数据的能力越强；式(3)是生成器的目标函数，期望D(G(z))趋向于1，即生成数据越接近真实数据越好；

构建出以下目标函数：

min_GV＝abs(A₁+A₂+A₃+...+A_(n-1)-A_n) (4)

其中，abs为绝对值，Aj表示输入数据第j列；

利用生成器的原始目标函数式(3)结合式(4)，最终生成器目标函数为：

L_new＝E_z～pz(z)[log(1-D(G(z)))]+abs(A₁+A₂+A₃+...+A_(n-1)-A_n)。