[发明专利]一种应用深度学习技术的股票趋势预测方法

说明书

技术领域

本发明所属的技术领域为机器学习领域，具体为一种应用深度学习技术的股票趋势预测方法。

背景技术

证券市场有其自身的运行规律，虽然会受到各种不可控的外部因素的影响，但是放到一定的时间区间里，这种运行规律还是在发挥着作用，影响着证券的价格走势。但由于证券市场中各种数据和信息繁多，对于业内的公司也需要专门的分析师团队去对股票进行分析，对于一般的个人投资者是很难从海量的历史交易数据和市场数据中凭借自身的能力进行全面和有效的分析。但是，对证券市场运行规律的掌握，有助于在市场中获利，因此受到了机构投资者和个人投资者的关注。文献“Ved Prakash Upadhyay,Subhash Panwar,Ramchander Merugu,and Ravindra Panchariya.2016.Forecasting Stock Market Movements Using Various Kernel Functions in Support Vector Machine.In Proceedings of the International Conference on Advances in Information Communication Technology&Computing(AICTC'16),S.K.Bishnoi,Manoj Kuri,and Vishal Goar(Eds.).ACM,New York,NY,USA,,Article 107,5pages.”提出了一个基于应用不同核函数的支持向量机的股票市场走势预测模型，对市场中的各种类型的历史数据进行了分析，并建立训练数据集训练支持向量机模型，对CNX NIFTY指数进行预测。该方法使用的支持向量机模型是一种浅层模型，即从模型的输入到输出所经过的运算数量有限，难以对复杂的股票交易数据进行建模，必须十分依赖于对数据特征的提取和人工经验的加入。

现有方法的不足之处是：

(1).现有方法多使用浅层机器学习模型或统计学习模型，以及一些基于微分方程的模型，这些模型由于自身对复杂函数表达能力有限，难以对复杂的证券市场的内在运行规律建模，因此只能依赖于专家知识和对市场数据和信息的筛选和提炼，难以做到由市场数据到运行规律的直接建模。

(2).现有方法多是基于各种的市场指标，这些指标有特定的计算公式，能够反映市场的一些特征，但是它们对最原始的交易数据进行了变换，从某种程度上来说产生了信息的损失，这对模型的预测效果会产生负面影响。

发明内容

针对现有技术存在的不足，本发明提出一种应用深度学习技术的股票趋势预测方法，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。本发明的目的是通过深度学习方法，从市场的历史交易数据中发现当前市场中潜在的获利机会，指导机构投资者和个人投资者的投资行为。

本发明旨在克服现有的股票趋势预测方法的不足，包括现有方法对复杂函数表达能力有限、需要大量专业人员的经验设计合适的指标体系等。本发明的特征包括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、股票趋势的预测等，每个过程包含若干个步骤，其特征分别描述如下：

(1).股票交易数据的处理

A.股票历史交易数据的收集

收集一个市场上的所有股票从上市日开始到指定日期的日交易信息，包括开盘价、收盘价、最高价、最低价、成交量、成交金额，所有的价信息均为数据提供商所提供的除权之后的价格信息。

B.股票历史交易数据的归一化

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。

C.股票历史交易数据的区间化

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。模型以指定交易日(T日)及之前的p个交易日的历史交易数据作为输入属性，每个交易日的数据为6维，输入属性值为一个p行6列的数据；输出目标值是T日之后的q个交易日的股票走势，其它定义为：