[发明专利]基于指数特征提取的股指预测方法、服务器及存储介质

摘要

本发明提供了一种基于指数特征提取的股指预测方法、装置及存储介质，该方法提取预设数量的时间序列中所有时间点的指数因子及对应的收益率，根据预设规则选取n个指数因子构成一个n维向量，将各个时间点的n维向量及其对应的收益率分别组成一个待训练的样本数据。之后，该方法利用样本数据中的n维向量及其对应的收益率对双向长短期记忆网络模型进行训练，确定模型参数。最后，该方法接收待分析的时间序列，提取出该时间序列所有时间点的n维向量输入到训练好的双向长短期记忆网络模型中，得到该段时间序列的综合解释性指标。利用本发明，能够深层次的提取指数的特征，提高股指预测的准确性。

主权项

1.一种基于指数特征提取的股指预测方法，应用于服务器，其特征在于，所述方法包括：样本采集步骤：提取预设数量的时间序列中所有时间点的指数因子及对应的收益率，根据预设规则选取n个指数因子构成一个n维向量xi，i>0且i为整数，将各个时间点的n维向量xi及其对应的收益率组成待训练的样本数据；提取步骤：提取样本数据中每段时间序列的所有时间点的n维向量xi，作为双向长短期记忆网络模型第一层的输入；处理步骤：在双向长短期记忆网络模型的第二层，根据某段时间序列的某个时间点的n维向量xi及前一个时间点的n维向量xi‑1的隐藏层状态向量hi‑1计算该时间点的n维向量xi的第一隐藏层状态向量hi，并根据该时间点的n维向量xi及后一个时间点的n维向量xi+1的隐藏层状态向量hi+1计算该时间点n维向量xi的第二隐藏层状态向量hi’，将第一隐藏层状态向量hi和第二隐藏层状态向量hi’进行平均处理，得到该时间点的综合隐藏层状态向量，直至算出所有时间点的综合隐藏层状态向量，再根据每段时间序列的所有时间点的综合隐藏层状态向量得到每段时间序列的特征向量Ti；计算步骤：在双向长短期记忆网络模型的第三层，根据每段时间序列的特征向量Ti，利用预设的指标计算公式计算下一段时间序列的综合解释性指标S；权重确定步骤：在双向长短期记忆网络模型的最后一层，将每段时间序列的综合解释性指标S及该段时间序列对应的所有收益率代入反向传播算法，得到各段时间序列的权重ai；预测步骤：接收待分析的时间序列，提取该段时间序列中所有时间点的n维向量，输入到训练好的双向长短期记忆网络模型中，得到该时间序列的综合解释性指标S。