CN108764572A - 一种基于循环神经网络的金融数据预测方法 - Google Patents
一种基于循环神经网络的金融数据预测方法 Download PDFInfo
- Publication number
- CN108764572A CN108764572A CN201810523035.1A CN201810523035A CN108764572A CN 108764572 A CN108764572 A CN 108764572A CN 201810523035 A CN201810523035 A CN 201810523035A CN 108764572 A CN108764572 A CN 108764572A
- Authority
- CN
- China
- Prior art keywords
- neural network
- recognition
- sequence
- recurrent neural
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于循环神经网络的金融数据预测方法,该预测方法通过循环神经网络的模型实现,该模型包括输入层、隐含层、输出层和U,W,V三个矩阵,U,W,V三个矩阵为线性关系参数,在整个循环神经网络中是共享的,它体现了循环神经网络的模型的循环反馈的思想,与传统深度神经网络中每一层使用不同的参数的做法不同,循环神经网络在所有时刻中共享相同的参数。这反应了在每一步中都在执行相同的任务,只是用了不同的输入。这极大地减少了需要学习的参数的个数。
Description
技术领域
本发明涉及数据分析技术,特别是涉及一种基于循环神经网络的金融数据预测方法的技术。
背景技术
对金融数据的分析预测是金融投资中的核心问题,传统的金融分析预测方法主要有两种,一种是基于经济政治数据以及企业经营状况的基本面分析方法,另一种是基于价格的趋势和波动规律的技术分析方法。然而,这两种分析方法都有内在的不足之处,基本面分析方法对中短期的市场变动难以做出正确判断,不能有效分析短期投机行为对市场造成的影响,单纯依据基本面分析进行投资很容易在市场出现短期极端行情的时候出现明显亏损;技术分析方法难以判断市场长期趋势,并且预测准确率和可靠性较差,各种技术指标数量繁多,如何综合各种技术指标进行科学***的市场分析是一个很难解决的问题。随着计算机技术的发展,基于机器学习的方法与模型逐步被应用于预测金融市场的未来走势。近些年来,诸如神经网络的浅层机器学习方法已广泛应用于金融数据的预测中。与传统深度神经网络中每一层使用不同的参数的做法不同,循环神经网络在所有时刻中共享相同的参数。这反应了在每一步中都在执行相同的任务,只是用了不同的输入,极大地减少了需要学习的参数的个数,因此用于金融数据的预测中具有很大的优势。
发明内容
本发明的目的是提供一种基于循环神经网络的金融数据预测方法,以解决现有技术存在的问题。
一种基于循环神经网络的金融数据预测方法,该预测方法通过循环神经网络的模型实现,该模型包括输入层、隐含层、输出层和U,W,V三个矩阵,U,W,V三个矩阵为线性关系参数,在整个循环神经网络中是共享的,其中:
输入层:设定x(t)代表为在序列t时训练样本的输入,x(t-1)和x(t+1)代表在序列t-1和t+1时训练样本的输入;
隐含层:设定h(t)为在序列t时模型的隐藏状态,h(t)由x(t)和h(t-1)共同决定;
输出层:设定o(t)为在序列t时模型的输出,o(t)只由模型当前的隐藏状态h(t)决定;
设定L(t)为序列t时模型的损失函数;
设定y(t)为在序列t时训练样本序列的真实输出。
进一步,基于循环神经网络的金融数据预测方法,具体步骤如下:
步骤1:从金融历史数据中选取一段数据作为样本数据,并将N个金融技术指标定义为目标元素,N≥1;
步骤2:构建预测目标序列、预测因子序列;
对于样本数据中的每一天,计算其后A天的平均涨跌幅,得到预测目标序列为:Y=(Y1,Y2,...,Yt,...,YK);
其中,A>1,Y为预测目标序列,Yt为样本数据中的第t天的之后A天的平均涨跌幅;
步骤3:设定一个预测误差阈值e,对预测目标序列Y及预测因子序列X构建神经网络,并利用样本数据对神经网络进行金融数据未来走势预测训练,使神经网络在训练过程中自我调整,直至神经网络的预测误差小于预先设定的预测误差阈值e后停止训练,从而得到可以对未来A天的平均涨跌幅进行预测的神经网络;
步骤4:利用循环神经网络对当前金融数据的未来走势进行预测。
本发明的有益效果:
本发明提供的基于循环神经网络的金融数据预测方法,采用神经网络对金融数据进行自我学习和预测,综合了基本面分析和技术分析的各自优点,并利用自我学习的方法,在市场环境发生变化时,对各种因素的权重进行科学***地调整,不但可以利用金融市场的现有知识,还能捕捉尚未被发掘的市场规律,可以科学定量地给出金融数据涨跌幅以及涨跌概率的预测,具有预测准确率和可靠性高的特点;U,W,V这三个矩阵是我们的模型的线性关系参数,它在整个循环神经网络中是共享的,它体现了循环神经网络的模型的“循环反馈”的思想。与传统深度神经网络中每一层使用不同的参数的做法不同,循环神经网络在所有时刻中共享相同的参数。这反应了在每一步中都在执行相同的任务,只是用了不同的输入。这极大地减少了需要学习的参数的个数。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种基于循环神经网络的金融数据预测方法的流程图;
图2为循环神经网络模型图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1所示,基于循环神经网络的金融数据预测方法的流程图,具体步骤如下:
步骤1:从金融历史数据中选取一段数据作为样本数据,并将N个金融技术指标定义为目标元素,N≥1;
步骤2:构建预测目标序列、预测因子序列;
对于样本数据中的每一天,计算其后A天的平均涨跌幅,得到预测目标序列为:Y=(Y1,Y2,...,Yt,...,YK);
其中,A>1,Y为预测目标序列,Yt为样本数据中的第t天的之后A天的平均涨跌幅;
步骤3:设定一个预测误差阈值e,对预测目标序列Y及预测因子序列X构建神经网络,并利用样本数据对神经网络进行金融数据未来走势预测训练,使神经网络在训练过程中自我调整,直至神经网络的预测误差小于预先设定的预测误差阈值e后停止训练,从而得到可以对未来A天的平均涨跌幅进行预测的神经网络;
步骤4:利用循环神经网络对当前金融数据的未来走势进行预测。
如图2所示,循环神经网络模型,主要包含输入层、隐含层、输出层,左边是循环神经网络(RNN)模型没有按时间展开的图,右边部分按时间序列展开,具体过程如下:
1、x(t)代表在序列t时训练样本的输入。同样的,x(t-1)和x(t+1)代表在序列t-1和t+1时训练样本的输入;
2、h(t)代表在序列t时模型的隐藏状态。h(t)由x(t)和h(t-1)共同决定;
3、o(t)代表在序列t时模型的输出。o(t)只由模型当前的隐藏状态h(t)决定;
4、L(t)代表在序列t时模型的损失函数;
5、y(t)代表在序列t时训练样本序列的真实输出;
6、U,W,V这三个矩阵是我们的模型的线性关系参数,它在整个循环神经网络中是共享的,它体现了循环神经网络的模型的“循环反馈”的思想。与传统深度神经网络中每一层使用不同的参数的做法不同,循环神经网络在所有时刻中共享相同的参数。这反应了在每一步中都在执行相同的任务,只是用了不同的输入。这极大地减少了需要学习的参数的个数。
以上内容仅仅是对本发明的构思所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的构思或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (2)
1.一种基于循环神经网络的金融数据预测方法,其特征在于:该预测方法通过循环神经网络的模型实现,该模型包括输入层、隐含层、输出层和U,W,V三个矩阵,U,W,V三个矩阵为线性关系参数,在整个循环神经网络中是共享的,其中:
输入层:设定x(t)代表为在序列t时训练样本的输入,x(t-1)和x(t+1)代表在序列t-1和t+1时训练样本的输入;
隐含层:设定h(t)为在序列t时模型的隐藏状态,h(t)由x(t)和h(t-1)共同决定;
输出层:设定o(t)为在序列t时模型的输出,o(t)只由模型当前的隐藏状态h(t)决定;
设定L(t)为序列t时模型的损失函数;
设定y(t)为在序列t时训练样本序列的真实输出。
2.根据权利要求1所述的一种基于循环神经网络的金融数据预测方法,其特征在于:基于循环神经网络的金融数据预测方法,具体步骤如下:
步骤1:从金融历史数据中选取一段数据作为样本数据,并将N个金融技术指标定义为目标元素,N≥1;
步骤2:构建预测目标序列、预测因子序列;
对于样本数据中的每一天,计算其后A天的平均涨跌幅,得到预测目标序列为:Y=(Y1,Y2,...,Yt,...,YK);
其中,A>1,Y为预测目标序列,Yt为样本数据中的第t天的之后A天的平均涨跌幅;
步骤3:设定一个预测误差阈值e,对预测目标序列Y及预测因子序列X构建神经网络,并利用样本数据对神经网络进行金融数据未来走势预测训练,使神经网络在训练过程中自我调整,直至神经网络的预测误差小于预先设定的预测误差阈值e后停止训练,从而得到可以对未来A天的平均涨跌幅进行预测的神经网络;
步骤4:利用循环神经网络对当前金融数据的未来走势进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810523035.1A CN108764572A (zh) | 2018-05-28 | 2018-05-28 | 一种基于循环神经网络的金融数据预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810523035.1A CN108764572A (zh) | 2018-05-28 | 2018-05-28 | 一种基于循环神经网络的金融数据预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108764572A true CN108764572A (zh) | 2018-11-06 |
Family
ID=64002955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810523035.1A Pending CN108764572A (zh) | 2018-05-28 | 2018-05-28 | 一种基于循环神经网络的金融数据预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764572A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787582A (zh) * | 2015-12-24 | 2016-07-20 | 清华大学 | 股票风险预测方法和装置 |
CN107274007A (zh) * | 2017-05-25 | 2017-10-20 | 上海拜富网络科技股份有限公司 | 基于人工神经网络的金融数据预测方法 |
CN107730087A (zh) * | 2017-09-20 | 2018-02-23 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
-
2018
- 2018-05-28 CN CN201810523035.1A patent/CN108764572A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787582A (zh) * | 2015-12-24 | 2016-07-20 | 清华大学 | 股票风险预测方法和装置 |
CN107274007A (zh) * | 2017-05-25 | 2017-10-20 | 上海拜富网络科技股份有限公司 | 基于人工神经网络的金融数据预测方法 |
CN107730087A (zh) * | 2017-09-20 | 2018-02-23 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298501B (zh) | 基于长短时记忆神经网络的电负荷预测方法 | |
CN110223517B (zh) | 基于时空相关性的短时交通流量预测方法 | |
CN110766212B (zh) | 用于历史数据缺失电场的超短期光伏功率预测方法 | |
Girard et al. | Gaussian process priors with uncertain inputs application to multiple-step ahead time series forecasting | |
CN107730087A (zh) | 预测模型训练方法、数据监控方法、装置、设备及介质 | |
CN110717671B (zh) | 一种确定参与方贡献度的方法及装置 | |
CN103942461A (zh) | 基于在线贯序极限学习机的水质参数预测方法 | |
CN114330935A (zh) | 基于多种结合策略集成学习的新能源功率预测方法和*** | |
CN107274007A (zh) | 基于人工神经网络的金融数据预测方法 | |
Safi | A comparison of artificial neural network and time series models for forecasting GDP in Palestine | |
CN113361195A (zh) | 一种基于lstm和相似日的配电网线路超短期负荷预测方法 | |
CN117892886B (zh) | 基于置信区间的船舶运动极短期概率预报方法及*** | |
CN110880044B (zh) | 一种基于马尔科夫链的负荷预测方法 | |
CN109190810B (zh) | 基于tdnn的中国北方草原地区ndvi的预测方法 | |
CN107704944B (zh) | 一种基于信息论学习的股市波动区间预测模型的构建方法 | |
CN111369078A (zh) | 一种基于长短期记忆神经网络的供水水质预测方法 | |
CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
Hermansah et al. | Automatic time series forecasting using nonlinear autoregressive neural network model with exogenous input | |
CN108764572A (zh) | 一种基于循环神经网络的金融数据预测方法 | |
CN115459982A (zh) | 一种电力网络虚假数据注入攻击检测方法 | |
KR102539223B1 (ko) | 엣지 컴퓨팅 환경에서 ami 데이터 스트림 가속처리를 위한 딥 러닝 방법 | |
CN114492923A (zh) | 一种长时间尺度功率预测方法 | |
CN108090776A (zh) | 信用评估模型的更新方法及***、信用评估方法及*** | |
CN109858695B (zh) | 基于模糊逻辑预测统计人口总数的方法 | |
Rihani et al. | Neural networks for the prediction of stock market |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |
|
RJ01 | Rejection of invention patent application after publication |