[发明专利]限价指令簿的趋势预测方法及预测系统

说明书

本发明涉及一种限价指令簿的趋势预测方法及预测系统,包括以下步骤：获取限价指令簿的数据，对所述限价指令簿的数据做预处理，获得预处理后的数据；构建堆叠残差门控循环单元神经网络，使用预处理后的数据对神经网络进行训练，获得训练后的堆叠残差门控循环单元神经网络，其中，所述堆叠残差门控循环单元神经网络包括多个基于GRU层的残差块，多个基于GRU层的残差块堆叠设置；使用训练后的堆叠残差门控循环单元神经网络对限价指令簿做趋势预测。其提出了堆叠残差门控循环单元神经网络模型，用于预测限价指令簿的未来走势，预测性能高，效果好。

技术领域

本发明涉及股票限价令薄预测技术领域，尤其是指一种限价指令簿的趋势预测方法及预测系统。

背景技术

在指令驱动的金融市场交易中，限价指令簿起到了至关重要的作用。限价指令簿是未成交的委托指令信息的整合，投资者能够从中获取市场的即时交易信息，是投资者做出决策之前所参考的重要指标。投资者根据已有的判断做出决策，委托限价指令即发生限价指令事件，也可委托市价指令和撤销指令，上述委托指令均可影响限价指令簿。所以，投资者和限价指令簿是相互影响的。已有文献表明限价指令簿的动态变化对价格发现是有帮助的，有更多的学者使用限价指令簿来分析和预测股票的未来价格走势。

随着人工智能的不断创新与发展，越来越多的科研人员尝试使用机器学习方法去分析限价指令簿时间序列。研究人员Ntakaris等人使用桥回归模型和单隐藏层前馈神经网络模型预测限价指令簿的中间价格走势，表明对限价指令簿特征的分析有助于预测未来趋势，并且验证了简单深度学习模型的性能要优于传统回归模型。Tsantekidis等人提出一种新颖的卷积神经网络模型。该模型结合了一维卷积层与二维卷积层，但其仅使用了限价指令簿的价格和成交量数据，并没有考虑限价指令簿独特的结构问题，其实验结果也表明该模型的性能略差。Zhang等人考虑到限价指令簿独特的结构特殊性，提出了深度卷积神经网络模型，大大提高了已有模型的预测性能。该模型仅使用限价指令簿的基础特征，没有考虑其分布特征，而且对于样本的全局信息考虑较为欠缺。

发明内容

为此，本发明所要解决的技术问题在于克服现有技术中预测模型的预测性能差，对于样本的全局信息欠缺考虑的技术缺陷。

为解决上述技术问题，本发明提供了一种限价指令簿的趋势预测方法，包括以下步骤：

S1、获取限价指令簿的数据，对所述限价指令簿的数据做预处理，获得预处理后的数据；

S2、构建堆叠残差门控循环单元神经网络，使用预处理后的数据对神经网络进行训练，获得训练后的堆叠残差门控循环单元神经网络，其中，所述堆叠残差门控循环单元神经网络包括多个基于GRU层的残差块，多个基于GRU层的残差块堆叠设置；

S3、使用训练后的堆叠残差门控循环单元神经网络对限价指令簿做趋势预测。

作为优选的，S1中，对所述限价指令簿的数据做预处理，包括：

提取限价指令簿的特征；

将提取的限价指令簿的特征标准化，获得标准化后的数据；

将标准化后的数据集类图像化，获得类图像化后的数据集。

作为优选的，所述提取限价指令簿的特征，包括：

将股票的限价指令簿的基础特征和由限价指令簿得到的分布特征作为训练集。

作为优选的，所述将股票的限价指令簿的基础特征和由限价指令簿得到的分布特征作为训练集，具体包括：

输入及其标签