[发明专利]一种基于深度学习的股票市场预测方法

说明书

技术领域

本发明专利涉及一种基于深度学习的股票市场价格预测方法。

背景技术

金融领域是国家经济运转的重心，而股票市场在一个侧面也能反应一个国家的整体经济状况，并且随着国家经济的发展，人们对资本管理亦更加重视，投资理财也成为了一种常态，因此对股票市场时间序列数据进行分析建模，预测未来一段时间的股票市场走势具有重大实际意义。

股票市场时间序列数据相比与一般的时间序列数据(气温、风力等)具有数据维度高、非线性、非平稳等特点，这些特点使得针对股票市场的时间序列数据的预测成为一个研究难点和热点。

股票市场预测问题的本质可以归结为时间序列预测问题，时间序列是指将某种统计指标在不同时刻所表示的数值按照其发生的先后顺序排列而成的序列，时间序列数据则是时间序列所反应的实际数据。由于股票市场的变化还与其他外部影响因素有关所以股票市场预测问题又属于多条件时间序列预测问题。

时间序列预测通用模型包括经典的自回归模型(AR)、滑动平均模型(MA)以及结合这二者的自回归滑动平均模型ARMA模型(Iie Transactions，2015)，同时由于时间序列数据通常呈现出非平稳的特点，研究者提出自回归积分滑动模型(ARIMA)，其对时间序列数据进行单步或多步差分，使得数据变得平稳(Journal of the American Statistical Association,1970)。

此外由于现实世界的系统大多都是非线性产生的，所以时间序列除了非平稳的特点外通常还是非线性的，这就导致经典的自回归模型无法很好的进行拟合，所以针对非平稳、非线性的时间序列采用非线性的模型通常会获得更好的效果，例如使用带有核函数的SVM或LS-SVM的回归模型(Neural Networks and Brain,2005)，通过核函数将时间序列数据映射到一个高维空间中，在这个高维空间中拟合一个线性模型。此外根据万能近似理论神经网络可以以任意精度来近似任何从一个有限维空间到另一个有限维空间的Borel可测函数，所以有学者提出基于神经网络的预测模型(Neural Networks，1989)，此外利用神经网络和ARIMA分别在非线性和线性建模的优势，有学者提出联合神经网络和ARIMA的混合模型(Neurocomputing，2003)，在时间序列上取得了较好的预测结果。

此外一些研究也使用深度学习的方法，例如Connor等提出使用循环神经网络(RNN)对时间序列数据进行建模，RNN可以充分利用序列数据的历史信息(IEEE Transactions on Neural Networks，1994)；Chen等(IEEE International Conference on Big Data，2015)利用循环神经网络进行股票预测；Sutskever等(International Conference on Machine Learning，2011)利用循环神经网络进行文本生成；Gregor等(International Conference on Machine Learning，2015)利用循环神经网络将图片在序列上建模自动进行图片生成；

但是，RNN存在梯度消失的问题导致无法很好的利用长期历史信息。为了解决这个问题，研究者提出了长短期记忆网络(Long Short-Term Memory Network，LSTM)(Neural computation,1997)，其对循环神经网络中隐层单元的特殊改进，增加记忆单元、输入门、遗忘门和输出门，通过三种门结构,控制历史信息在神经网络中状态的记忆和遗忘，能够学习到长期的历史信息；

长短期记忆网络LSTM已被广泛地应用于对序列数据进行建模，例如：Venugopalan等(IEEE International Conference on Computer Vision，2015)利用LSTM网络使用Sequence to Sequence的网络结构，进行视频文本转换；Alex等(International Conference on Machine Learning，2014)利用LSTM网络提出一种端到端的语音识别模型。

除了循环神经网络，卷积神经网络也能够很好的对时序数据进行建模，例如Mittelman提出非采样的全卷积神经网络，通过使用卷积操作而不是RNN的循环结构来避免RNN中容易出现的梯度消失和梯度爆炸问题。