一種基于模態分解的股票預測評估方法技術

本發明專利技術公開了一種基于模態分解的股票預測評估方法，屬于股票預測領域，該預測評估方法具體步驟如下：(1)工作人員收集股票上證指數價格；(2)分解各組上證指數價格；(3)構建并訓練長短期記憶網絡；(4)設置參數并進行實驗分析；本發明專利技術通過對比驗證，證明了MDLSTM可行性與準確率，同時能夠對不同類型的股票價格進行預測評估，局限性小，提升了網絡在金融學領域的可解釋性和實用性。域的可解釋性和實用性。域的可解釋性和實用性。

【技術實現步驟摘要】
一種基于模態分解的股票預測評估方法


[0001]本專利技術涉及股票預測領域，尤其涉及一種基于模態分解的股票預測評估方法。

技術介紹

[0002]股票市場作為最重要的金融市場之一,
?
直以來受到各方的廣泛關注。股票價格的變動不僅反映上市公司自身經營狀況和市場價值的變化，更作為一個主權經濟體的“晴雨表”,反映出整個經濟體的宏觀經濟形勢。因此股票價格預測的研究一直以來都是一個熱門的研究領域。但是由于股票價格的生成機制十分復雜,受宏觀經濟形勢、貨幣供應量、通貨膨脹率、上市公司經營狀況、投資者心理、突發事件等眾多宏觀和微觀經濟變量影響，其變動規律錯綜復雜,給從事股票價格研究的學者帶來了很大的困擾。故使用正確方法獲取市場有效信息，實現對股票價格波動正確的預測,不僅可以幫助投資者提升投資收益,而且對于主權經濟體的中央銀行及金融監管機構制定合理審慎的宏觀經濟政策起到重要的參考價值；
[0003]現有的股票預測評估方法無法對不同類型的股票價格進行預測評估，同時降低了網絡在金融學領域的可解釋性和實用性；為此，我們提出一種基于模態分解的股票預測評估方法。

技術實現思路

[0004]本專利技術的目的是為了解決現有技術中存在的缺陷，而提出的一種基于模態分解的股票預測評估方法。
[0005]為了實現上述目的，本專利技術采用了如下技術方案：
[0006]一種基于模態分解的股票預測評估方法，該預測評估方法具體步驟如下：
[0007](1)工作人員收集股票上證指數價格；
[0008](2)分解各組上證指數價格；
[0009](3)構建并訓練長短期記憶網絡；
[0010](4)設置參數并進行實驗分析。
[0011]作為本專利技術的進一步方案，步驟(2)中所述上證指數價格分解具體步驟如下：
[0012]步驟一：工作人員收集多組股票上證指數價格序列信號，之后通過互補集合經驗模態分解方法，即CEEMD方法對各組股票上證指數價格序列信號分解為不同頻率的內涵模態分量，即imf；
[0013]步驟二：依據分解出的各組內涵模態分量對上證指數價格序列信號中類型的數據分為低頻信號、中頻信號以及高頻信號。
[0014]作為本專利技術的進一步方案，步驟二中所述低頻信號包含股票的長線趨勢信息；步驟二中所述中頻信號代表模態分解后位于中部位置的數個imf，包含股票市場中期的波動信號；步驟二中所述高頻信號具體為模態分解后處于最靠前位置的1
?
2個imf，包含市場短期波動的各中細節信息。
[0015]作為本專利技術的進一步方案，步驟(3)中所述長短期記憶網絡構建訓練具體步驟如下：
[0016]步驟Ⅰ：構建長短期記憶網絡LSTM，并將股票的某個時間序列節點上的價格作為該網絡的輸入以生成LSTM的四個初始狀態；
[0017]步驟Ⅱ：之后將生成的四個狀態分別進行三個階段的操作，當處于遺忘階段時，LSTM將上一個節點的輸出數據與計算得到的遺忘門通過矩陣相乘來實現對上一個時間節點的價格信號進行選擇性忘記；
[0018]步驟Ⅲ：當處于選擇性記憶階段時，LSTM將通過計算得到的狀態和此前得到的記憶門通過矩陣相乘來實現對網絡的輸入進行選擇性記憶，同時將遺忘結算以及選擇記憶階段生成的結果相加以獲取傳輸給下一狀態的輸出數據；
[0019]步驟Ⅳ：當處于輸出階段，LSTM將通過計算出的輸出門與輸出數據進行矩陣乘法計算得到,并且將結果進行一定程度的放縮,最終實現了函數結果的輸出；
[0020]步驟
Ⅴ
：將CEEMD方法輸出的imf輸入至LSTM中，且單獨針對各組imf訓練不同參數的LSTM，之后使用基于隨機梯度下降算法改進的Adam算法作為LSTM的優化器對LSTM進行優化以獲取模態分解LSTM，即MDLSTM。
[0021]作為本專利技術的進一步方案，步驟Ⅰ中所述LSTM初始狀態具體表達形式如下：
[0022][0023][0024][0025][0026]式中，z、z
i
、z
f
以及z
o
分別代表LSTM四個初始狀態，V
t
代表LSTM的輸入。
[0027]作為本專利技術的進一步方案，步驟(4)中所述實驗分析具體步驟如下：
[0028]步驟
①
：通過評估損失函數的收斂情況對最優參數進行系統性評價，并選取最優參數進行設置，之后將工作人員收集的股票上證指數價格中前65％的數據作為訓練集，將后35％的數據作為測試集；
[0029]步驟
②
：對每一組數據進行MINMAX歸一處理以使處理后的價格序列落在0到1的區間內，通過CEEMD方法分解訓練集中的數據后對MDLSTM進行訓練，訓練完成后，將測試集導入MDLSTM進行測試，并與傳統深度神經網絡進行對比驗證，并將驗證結果反饋給工作人員。
[0030]相比于現有技術，本專利技術的有益效果在于：
[0031]該基于模態分解的股票預測評估方法相較于以往的預測評估方法，本專利技術通過互補集合經驗模態分解方法對各組股票上證指數價格序列信號分解為不同頻率的內涵模態分量，并對其進行分類處理，再構建長短期記憶網絡LSTM，并將股票的某個時間序列節點上的價格作為該網絡的輸入以生成LSTM的四個初始狀態，之后將生成的四個狀態分別進行三個階段的操作，通過評估損失函數的收斂情況對最優參數進行系統性評價，并選取最優參數進行設置，通過CEEMD方法分解訓練集中的數據后對MDLSTM進行訓練，訓練完成后，將測
試集導入MDLSTM進行測試，并與傳統深度神經網絡進行對比驗證，通過對比驗證，證明了MDLSTM可行性與準確率，同時能夠對不同類型的股票價格進行預測評估，局限性小，提升了網絡在金融學領域的可解釋性和實用性。
附圖說明
[0032]附圖用來提供對本專利技術的進一步理解，并且構成說明書的一部分，與本專利技術的實施例一起用于解釋本專利技術，并不構成對本專利技術的限制。
[0033]圖1為本專利技術提出的一種基于模態分解的股票預測評估方法的流程框圖；
[0034]圖2為本專利技術提出的一種基于模態分解的股票預測評估方法中的經驗模態分解示意圖；
[0035]圖3為本專利技術提出的一種基于模態分解的股票預測評估方法中的神經網絡預測示意圖。
具體實施方式
[0036]參照圖1
?
3，一種基于模態分解的股票預測評估方法，該預測評估方法具體步驟如下：
[0037]工作人員收集股票上證指數價格。
[0038]分解各組上證指數價格。
[0039]具體的，如圖2所示，工作人員收集多組股票上證指數價格序列信號，之后通過互補集合經驗模態分解方法，即CEEMD方法對各組股票上證指數價格序列信號分解為不同頻率的內涵模態分量，即imf，依據分解出的各組內涵模態分量對上證指數價格序列信號中類型的數據分為低頻信號、中頻信號以及高頻信號。
[0040本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種基于模態分解的股票預測評估方法，其特征在于，該預測評估方法具體步驟如下：(1)工作人員收集股票上證指數價格；(2)分解各組上證指數價格；(3)構建并訓練長短期記憶網絡；(4)設置參數并進行實驗分析。2.根據權利要求1所述的一種基于模態分解的股票預測評估方法，其特征在于，步驟(2)中所述上證指數價格分解具體步驟如下：步驟一：工作人員收集多組股票上證指數價格序列信號，之后通過互補集合經驗模態分解方法，即CEEMD方法對各組股票上證指數價格序列信號分解為不同頻率的內涵模態分量，即imf；步驟二：依據分解出的各組內涵模態分量對上證指數價格序列信號中類型的數據分為低頻信號、中頻信號以及高頻信號。3.根據權利要求2所述的一種基于模態分解的股票預測評估方法，其特征在于，步驟二中所述低頻信號包含股票的長線趨勢信息；步驟二中所述中頻信號代表模態分解后位于中部位置的數個imf，包含股票市場中期的波動信號；步驟二中所述高頻信號具體為模態分解后處于最靠前位置的1
?
2個imf，包含市場短期波動的各中細節信息。4.根據權利要求2所述的一種基于模態分解的股票預測評估方法，其特征在于，步驟(3)中所述長短期記憶網絡構建訓練具體步驟如下：步驟Ⅰ：構建長短期記憶網絡LSTM，并將股票的某個時間序列節點上的價格作為該網絡的輸入以生成LSTM的四個初始狀態；步驟Ⅱ：之后將生成的四個狀態分別進行三個階段的操作，當處于遺忘階段時，LSTM將上一個節點的輸出數據與計算得到的遺忘門通過矩陣相乘來實現對上一個時間節點的價格信號進行選擇性忘記；步驟Ⅲ：當處于選擇性記憶階段時，LSTM將通過計算得到的狀態和此前得到的記憶門通過矩陣相乘來實現對網絡的輸入...

【專利技術屬性】
技術研發人員：張若鵬，馮宏偉，胡陟，
申請(專利權)人：西北大學，
類型：發明
國別省市：