[发明专利]一种应用深度学习技术的股票趋势预测方法

权利要求书

1.一种应用深度学习技术的股票趋势预测方法，该方法包括如下步骤：股票交易数据的处理、训练数据的信息扩充、深度学习模型的设计、模型的训练、股票趋势的预测，其特征在于：采用深度学习技术建立股票趋势模型，以历史日交易数据为训练数据训练模型，使用当前交易日前一段时间的交易数据对当前交易日后一段时间的走势进行预测。

2.根据权利要求1所述的股票趋势预测方法，其特征在于：所述的股票交易数据的处理包括：A.股票历史交易数据的收集；B.股票历史交易数据的归一化；C.股票历史交易数据的区间化；D.训练数据的信息扩充。

3.根据权利要求2所述的股票趋势预测方法，其特征在于：所述的股票历史交易数据的归一化包括：对每一个股票的上述每一个数据字段进行归一化，归一化处理的目的是使股票的字段数值转化为0至1之间的实数，其方法为：先求出该股票中每个字段的最大值和最小值，分别记为p^max和p^min。对于该字段中的每个数值，归一化方法为：其中p^*为归一化之后的字段的值，p为归一化之前的字段的值。

4.根据权利要求3所述的股票趋势预测方法，其特征在于：对每一个经过数据归一化的股票，进行区间化，区间化的目的是成形训练数据集的输入属性值和输出目标值。

5.根据权利要求2所述的股票趋势预测方法，其特征在于：除了指定交易日及之前的p个交易日的历史交易数据作为模型训练的输入数据外，增加三个常用的股票指标，分别是5日移动均线MA5、指数平滑移动平均线MACD和随机指标KDJ，即对每天的交易数据增加三个字段。

6.根据权利要求1所述的股票趋势预测方法，其特征在于：所述的深度学习模型的设计步骤包括，训练卷积神经网络模型，训练数据采用经过步骤(1).D的信息扩充之后的股票历史交易数据，本步骤中卷积神经网络的结构如下：卷积神经网络由输入层、卷积层、激活层、全连接层和输出层组成。

7.根据权利要求1所述的股票趋势预测方法，其特征在于：所述的模型的训练采用标准的误差反向传播学习算法对网络的权值进行调整，调整是根据模型的输入与输出的差异进行。