一种融合波动性的股票预测系统

文献发布时间：2023-06-19 16:12:48

技术领域

本发明设计了一种融合波动性的股票预测系统，属于人工智能深度学习的领域。

背景技术

计算机及相关技术在数据量不断增加的生产、生活过程中持续发展，不同行业都开始借助于数据挖掘、机器学习等方式进行本行业的行业创新，促进本行业的科学发展。股票市场预测被认为是金融时间序列研究中一个具有挑战性的方向，数据分析的目的是预测未来股票价格上升或下降趋势。有效市场假说是股票市场波动逻辑的代表性理论之一，该理论认为股票市场是一个有效市场，股价走势当中可以及时、准确、充分地反映出一切有价值的信息，其中包括企业当前及未来的价值。这一假说为股票预测提供了依据。在过去的几十年里，越来越多的技术策略被发明出来并利用于股市，越来越多的机器学习模型开始应用于金融时间序列预测，包括人工神经网络(ANN)、支持向量机和基于树的分类器。

发明内容：

本发明的目的是提出一种融合波动性的股票预测系统，为了解决投资者难以抉择的问题和其他模型预测准确度不理想的问题。

一种融合波动性的股票预测系统，所述的预测方法包括以下步骤。

步骤一、对股票的基本数据进行获取。

步骤二、构建广义自回归条件异方差(GARCH)模型，预测股票的波动性。

步骤三、将股票的波动性特征与股票的基本金融时间序列特征相融合。

步骤四、将步骤三中融合后的特征输入到长短期记忆(LSTM)神经网络中对股票的涨跌进行预测。

进一步的，所属步骤一中，具体的，通过python中的tushare模块，对股票的基本数据进行获取，其中包括：收盘价、开盘价、成交量等基本信息。

进一步的，在步骤二中，构建广义自回归条件异方差(GARCH)模型，预测股票的波动性。

Bollerslev于1986年通过在模型中引入条件方差的滞后值对ARCH模型进行推广，称为广义自回归条件异方差(GARCH)模型。GARCH(p，q)模型如下。

如上公式，GARCH模型对ARCH模型进行了推广，使条件方差得到了较好的估计，

GARCH(1，1)模型可以表示为公式。

通过重新排列方程，得到公式。

该模型通过预测的方差和观测到的波动率的加权和，预测A股股票的当前时期波动率。

进一步的，所属步骤四中包括以下步骤。

LSTM的存储单元的基本结构，每个存储单元包含三个门：输入门i

其中W为权矩阵，b为偏置向量，σ(·)是sigmoid函数，tanh(·)为双曲正切函数，h

在一个连续的时间段内，某只股票的收盘价格序列，记为p

本发明的主要优点是：本发明通过python的tushare模块获取股票的基本信息，构建广义自回归条件异方差(GARCH)模型，将股票基本信息作为输入，通过GARCH模型预测股票的波动性特征。将股票的波动性特征与金融时间序列特征相融合。将组合特征输入到长短期记忆(LSTM)神经网络中预测股票的涨跌，本发明可以给投资者提供更好的投资建议，解决其他模型预测准确度不理想的问题。

附图说明

图1为本发明所述的一种融合波动性的股票预测系统的流程图。

图2为长短期记忆(LSTM)神经网络的处理效果图。

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中，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1-图2所示，本实施方式所述的融合波动性的股票预测系统的一实施例，包括以下步骤。

步骤一、对股票的基本数据进行获取，获取股票的相关新闻文本信息。

通过python中的tushare模块，对股票的基本数据进行获取，其中包括：收盘价、开盘价、成交量等基本信息。