一种股票收盘价预测方法

技术领域

本发明涉及深度学习和股票预测技术领域，具体地，涉及一种股票收盘价预测方法。

背景技术

近年来国内金融行业发展迅猛，在促进国家发展上发挥着至关重要的作用，同时对国家产业经济发展的稳定性有着巨大的影响。股票作为金融体系里最基础的金融工具，最能直观的展现出国家经济发展实力，股票走向的预测也成为了投资者所关心的一大问题。为能给投资者提供有意义的投资决策，降低其投资风险，各种股票预测模型被提出。已知股票这类金融数据具有非线性、多尺度、多噪声等特点，传统的机器学习模型存在大量局限性，如支持向量机(SVM)本身在处理大规模数据时就存在缺陷，不利于处理股票这类大规模数据。长短时记忆网络(LSTM)、门控循环单元(GRU)这类单一的深度学习模型的提出在预测领域展现出一定优势，但依旧存在精度不高的问题。近年来将循环神经网络(RNN)与卷积神经网络(CNN)相结合的时间序列预测模型被大量运用，但CNN在训练时池化层会丢失大量有价值信息，忽略局部与整体之间关联性。

发明内容

为解决背景技术中存在的问题，本发明提供了一种股票收盘价预测方法，该股票收盘价预测方法结合互补集成经验模态分解、门控循环单元和宽度学习CEEMD-GRU-BLS，构建股票复合预测模型，提高股票收盘价的预测精度。

为实现上述目的，本发明采用如下技术方案：一种股票收盘价预测方法，具体包括如下步骤：

(1)收集股票收盘价数据，进行归一化处理，得到归一化的股票收盘价序列，将归一化的股票收盘价序列分为训练集和测试集；

(2)构建股票收盘价预测模型，所述股票收盘价预测模型包括依次连接的互补集合经验模态分解模块、门控循环单元模块、全连接层、宽度学习，所述互补集合经验模态分解模块用于分解股票收盘价数据，所述门控循环单元模块用于提取出分解股票收盘价数据中的映射特征节点，所述全连接层用于获取映射特征节点对应的特征，所述宽度学习用于提取出特征中的增强特征节点；

(3)将训练集输入股票收盘价预测模型中进行训练，直至均方根误差损失函数收敛时，完成对股票收盘价预测模型的训练；

(4)将测试集输入训练好的股票收盘价预测模型中，输出股票收盘价预测值分量和对应权重，将预测值分量求和输出股票收盘价的预测结果。

进一步地，所述门控循环单元模块由三个门控循环单元拼接组成。

进一步地，所述门控循环单元的神经元数目依次分别为128、64、32。

进一步地，步骤(3)具体包括如下子步骤：

(3.1)将训练集输入互补集合经验模态分解模块中，分别加入n次白噪声，每次加入一组正负相反、幅值相同的白噪声，经经验模态分解成IMF分量；

(3.2)将IMF分量分别输入门控循环单元模块中，设置均方根误差损失函数、adam优化算法、随机丢弃神经元比例为0.2、神经元丢弃比例为0.2、平均绝对误差，提取IMF分量中的映射特征节点；

(3.3)将门控循环单元模块输出的映射特征节点输入全连接层中，设置全连接层层数为2层、relu激活函数，得到映射特征；

(3.4)确定宽度学习中的正则化参数为0.00001、每个映射特征节点数为100、映射特征数为30、增强节点数为2800，输出预测值；

(3.5)重复输入训练集，直至均方根误差损失函数收敛时，完成对股票收盘价预测模型的训练。

进一步地，所述均方根误差损失函数

其中,n为股票收盘价总量，i表示股票收盘价的索引,y(i)表示股票收盘价实际值,

进一步地，所述股票收盘价预测值分量对应的权重W计算过程为：

W＝H

W＝(CI+H

其中，H为宽度学习的隐藏层，C表示权重平方和约束，I为单位矩阵，()

与现有技术相比，本发明具有如下有益效果：本发明将宽度学习与循环神经网络相结合，提出的CEEMD-GRU-BLS股票收盘价预测方法，通过互补集成经验模态分解(CEEMD)，在归一化的股票收盘价中加入一组正负相反的白噪声信号，改变信号的极值点分布后进行经验模态分解，能很好地处理非平稳、非线性的信号；通过宽度学习，通过映射特征节点学习稀疏的映射特征，然后经由增强节点非线性扩展得到增强特征节点。本发明股票收盘价预测方法的预测精度高，具有一定的参考意义。

附图说明

图1为本发明股票收盘价预测方法的流程图；

图2为本发明中互补集合经验模态分解模块进行分解的流程图。

具体实施方式

下面结合附图对本发明的技术方案作进一步地解释说明。

如图1为本发明股票收盘价预测方法的流程图，该股票收盘价预测方法包括如下步骤：

(1)收集股票收盘价数据，由于股票收盘价的时间跨度大，为避免奇异样本数据导致不良影响以及加快梯度下降求最优解的速度，在股票收盘价数据限定在一定范围内，需要对股票收盘价数据进行归一化处理，得到归一化的股票收盘价序列，将归一化的股票收盘价序列分为训练集和测试集；

(2)构建股票收盘价预测模型，如图2，股票收盘价预测模型包括依次连接的互补集合经验模态分解模块、门控循环单元模块、全连接层、宽度学习，互补集合经验模态分解模块用于分解股票收盘价数据，门控循环单元模块用于提取出分解股票收盘价数据中的映射特征节点，本发明中门控循环单元模块由三个门控循环单元拼接组成，门控循环单元的结构简单，参数少，训练速度快，本发明中门控循环单元的神经元数目分别为128、64、32；全连接层用于获取映射特征节点对应的特征，宽度学习用于提取出特征中的增强特征节点；

(3)将训练集输入股票收盘价预测模型中进行训练，直至均方根误差损失函数收敛时，完成对股票收盘价预测模型的训练；具体包括如下子步骤：

(3.1)将训练集输入互补集合经验模态分解模块中，分别加入n次白噪声，每次加入一组正负相反、幅值相同的白噪声来改变股票收盘价序列的极值点分布，解决了频率混叠的现象，经经验模态分解成IMF分量，得到不同频率下的时间序列，减少噪声对股票收盘价预测模型预测性能的影响；

(3.2)将IMF分量分别输入门控循环单元模块中，设置均方根误差损失函数、adam优化算法、随机丢弃神经元比例为0.2、神经元丢弃比例为0.2、平均绝对误差，提取IMF分量中的映射特征节点；

(3.3)将门控循环单元模块输出的映射特征节点输入全连接层中，设置全连接层层数为2层、relu激活函数，得到映射特征；

(3.4)确定宽度学习中的正则化参数为0.00001、每个映射特征节点数为100、映射特征数为30、增强节点数为2800，输出预测值；

(3.5)重复输入训练集，直至均方根误差损失函数收敛时，完成对股票收盘价预测模型的训练。

本发明中均方根误差损失函数

其中，n为股票收盘价总量，i表示股票收盘价的索引,y(i)表示股票收盘价实际值,

(4)将测试集输入训练好的股票收盘价预测模型中，输出股票收盘价预测值分量和对应权重，将预测值分量求和输出股票收盘价的预测结果。

股票收盘价预测值分量对应的权重W计算过程为：

W＝H

W＝(CI+H

其中，H为宽度学习的隐藏层，C表示权重平方和约束，I为单位矩阵，()

实施例

选取农林牧渔指数(399213)对本发明股票收盘价预测方法进行验证分析，具体实施如下：将农林牧渔指数的收盘价进行归一化处理后输入股票收盘价预测模型中，输出农林牧渔指数的收盘价预测值。

为了验证本发明股票收盘价预测方法的有效性，通过三个性能指标：平均绝对误差MAE、均方根误差RMSE和决定系数R

均方根误差RMSE对预测值误差的大小十分敏感，能够很好地体现预测的精准度，具体计算过程如下：

决定系数用于判断回归方程的拟合程度，用于衡量股票收盘价预测模型的预测能力，决定系数越大表示模型的预测性能越好，具体计算过程如下：

其中，y(i)表示股票收盘价实际值，

表1：本发明方法与现有股票收盘价预测方法的性能比较

由表1可以看出，本发明股票收盘价预测方法与现有股票收盘价预测方法相比，在平均绝对误差MAE、均方根误差RMSE和决定系数R

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。