[发明专利]一种结合LSTM与注意力机制的股票涨跌预测技术方法

说明书

本发明公开了一种结合LSTM与注意力机制的股票涨跌预测技术方法，包括如下步骤：步骤1：制作股票数据集；步骤2：股票因子数据处理；步骤3：股票新闻文本的特征提取；步骤4：特征融合输出；步骤5：训练股票涨跌预测模型；步骤6：预测。这种方法增强了预测结果的可解释性，信息直观全面化。

技术领域

本发明涉及深度学习的LSTM与注意力机制技术，具体为一种结合LSTM与注意力机制的股票涨跌预测技术方法。

背景技术

人工智能技术发展至今，以神经网络为代表的深度学习模型被广泛用于金融资产价格预测并在投资决策发挥着重要作用。同时，金融投资行业作为经济社会中的高效行业，极为重视最新科技与金融实务的结合，力求精确化与智能化的高科技运营模式也备受金融机构青睐，因此将深度学习运用于金融领域也成为新的研究热点。

基于深度学习的股票预测技术把投资者从繁重的个股分析与全时段看盘中解放，把强大的分析模型、优秀的投资经验、经典的盈利模式利用计算机编程实现，从而避免人为判断失误与主观情绪影响，同时为证券市场投资者带来精准化的投资分析研判。依托复杂的神经网络模型，从海量历史数据中提取显著影响证券投资收益的特征因子，这些因子代表投资对象的基础属性。例如某一证券在一定时段内的收益率、波动率、夏普比率、移动平均价格、近期成交量与成交金额，这些因子从不同角度直接或间接反映出该证券盈利能力与投资风险。利用这些因子构建股票涨跌预测模型，能够充分深入挖掘证券因子数据与投资收益间的作用机制，运用该机制预测股票未来涨跌。

尽管深度学习在复杂和高度随机的股票预测问题上取得重要进展，但依然面临显著的局限性，那就是没有从投资收益角度考虑优化投资组合，仅是将股票预测简单地描述成分类或回归问题。事实上，预测表现最佳的投资组合在实际投资中不一定能够获取最高的投资收益。此外，非结构化的新闻信息对股票价格变动起着重要影响作用。新闻信息的出现具有随机性，时事新闻将直接影响新闻提及的股票，导致投资者依据新闻信息对股票持有积极或消极投资情绪，具有媒体意识的新闻信息是多模态数据。在社交媒体平台上发布的股评信息同样对股票涨跌具有导向作用，以往研究都将整体市场情绪作为预测指标，这些方法既没有及时捕捉到新闻信息的时间敏感性，也没有考虑到股评意见的可靠性，因此有待进一步完善。

LSTM模型作为传统循环神经网络的改进模型，其学习过程包含三个重要阶段：遗忘阶段对来自前一时刻的输入选择性忘记，遗忘不重要的信息；选择记忆阶段将当前时刻所有输入进行选择性记忆，重要信息赋予大权重着重记忆；输出阶段则是决定哪些信息成为当前时刻的输出结果。LSTM模型选择性记忆或者遗忘序列信息，从而让重要信息随着时间的推移仍然能够发挥关键作用，是目前处理时序数据的重要方法。

注意力机制是一种模拟人类注意力行为的数据处理方法，其直观解释是重要信息重点关注，无关信息的干扰会导致计算机在模拟人类的思考与决策过程中出现偏差。为了使计算机更适应现实应用场景，在LSTM模型中引入增加注意力机制，让计算机选择性遗忘无关信息和关联上下文获取重要信息，对预测股票涨跌有重要作用的特征因子在预测模型中应该予以重要注意力权重。此外，注意力机制与LSTM模型相结合有效地提高神经网络的可解释性与计算效率。由于神经网络模型的内部机制无法观测，而注意力机制的加入可直接观测某些因子之间的关联程度，以及特征因子在股票涨跌预测任务中的重要程度，从而更好地优化预测模型获取更高的投资收益回报。

发明内容

本发明的目的是针对现有技术中存在的不足，而提出一种结合LSTM与注意力机制的股票涨跌预测技术方法。这种方法增强了预测结果的可解释性，信息直观全面化。

实现本发明目的的技术方案是：

一种结合LSTM与注意力机制的股票涨跌预测技术方法，包括如下步骤：

步骤1：制作股票数据集：