CN105787582A - 股票风险预测方法和装置 - Google Patents

股票风险预测方法和装置 Download PDF

Info

Publication number
CN105787582A
CN105787582A CN201510993312.1A CN201510993312A CN105787582A CN 105787582 A CN105787582 A CN 105787582A CN 201510993312 A CN201510993312 A CN 201510993312A CN 105787582 A CN105787582 A CN 105787582A
Authority
CN
China
Prior art keywords
stock
stock market
hidden layer
field
neural network
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
Application number
CN201510993312.1A
Other languages
English (en)
Inventor
于洋
王东
刘荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN201510993312.1A priority Critical patent/CN105787582A/zh
Publication of CN105787582A publication Critical patent/CN105787582A/zh
Pending legal-status Critical Current

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
    • 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
    • G06Q40/08—Insurance

Abstract

本申请提供了一种股票风险预测方法和装置，包括：获取本地设备端所需调用的股市字段；基于长短期记忆循环神经网络的隐藏层对所述股市字段进行预测，获取股票的预测结果，其中，所述预测结果包括下一交易日股市的波动率的预测值，所述长短期记忆循环神经网络还包括输入层和输出层；所述预测结果大于设定阈值，则股票存在风险，从而解决了现有技术中利用ARCH模型或GARCH模型进行股票预测不准确，进而存在较高风险的问题。

Description

股票风险预测方法和装置
技术领域
本申请涉及信息处理技术领域，特别是涉及一种股票风险预测方法和装置。
背景技术
股票市场是一个风险和利益共存的市场，股票市场的预测研究对我国的经济发展和金融建设具有重要意义。
股票投资具有相当高的风险性，如何预测股票下行风险，从而制定合理的投资组合策略，具有重要的实际意义。目前传统股票预测方法为利用股票的波动率来构建自回归条件异方差模型(Autoregressiveconditionalheteroskedasticitymodel，ARCH)或广义自回归条件异方差模型(GeneralizedAutoRegressiveConditionalHeteroskedasticity，GARCH)，并利用该构建ARCH模型或GARCH模型进行股票预测。
上述利用ARCH模型或GARCH模型对股票的波动率进行预测需要假设金融数据是稳态随机过程，这一假设显然过于粗糙，因为不论是市场环境还是股票发行者的经营状况都会随着时间发生显著变化，仅仅考虑股票的波动率而没有考虑当前股票市场和标的股票的动态特性，因而导致股票预测存在较高风险。
发明内容
本申请提供一种股票风险预测方法和装置，以解决现有技术中股票预测不准确，进而存在较高风险的问题。
为了解决上述问题，本申请公开了一种语音重放检测方法，包括：一种股票风险预测方法，包括：
获取本地设备端所需调用的股市字段；
基于长短期记忆循环神经网络的隐藏层对所述股市字段进行预测，获取股票的预测结果，其中，所述预测结果包括下一交易日股市的波动率的预测值，所述长短期记忆循环神经网络还包括输入层和输出层；
所述预测结果大于设定阈值，则股票预测存在风险。
优选地，所述所需调用的股市字段包括开盘价、收盘价、最高价、最低价、成交量、成交额、涨跌额、涨跌幅、净资产收益率、市净率、指数平滑异同平均线和舆情因子中的一种或几种的组合。
优选地，所述隐藏层包括输入门、遗忘门和输出门。
优选地，使用长短期记忆循环神经网络的隐藏层对所述股市字段进行预测，获取股票的预测结果的步骤包括：
长短期记忆循环神经网络的输入层接收股市字段，所述输入层将接收的股市字段映射到隐藏层；
若隐藏层的输入门处于打开状态，将允许的股市字段加入到隐藏层节点；
若隐藏层的遗忘门处于打开状态，则将保留当前隐藏层节点存储的股市字段的历史信息；
若隐藏层的输出门处于打开状态，则将当前隐藏层节点存储的股市字段的历史信息传播到输出层；
通过输出层的激发函数对当前隐藏层节点存储的股市字段的历史信息进行变换，得到所述长短期记忆循环神经网络的输出层的预测结果，所述预测结果包括下一交易日股市的波动率的预测值。
优选地，还包括：根据下一交易日的股市的波动率的真实值与下一交易日股市的波动率的预测值进行比较，使用损失函数，得到预测误差，并利用误差反向传播算法BP更新所述长短期记忆循环神经网络的网络参数。
为了解决上述问题，本申请还公开了一种股票风险预测装置，包括：
获取模块，用于获取本地设备端所需调用的股市字段；
预测模块，用于基于长短期记忆循环神经网络的隐藏层对所述股市字段进行预测，获取股票的预测结果，其中，所述预测结果包括下一交易日股市的波动率的预测值，所述长短期记忆循环神经网络还包括：输入层和输出层；
判断模块，用于所述预测结果大于设定阈值，则股票预测存在风险。
优选地，所述所需调用的股市字段包括开盘价、收盘价、最高价、最低价、成交量、成交额、涨跌额、涨跌幅、净资产收益率、市净率、指数平滑异同平均线和舆情因子中的一种或几种的组合。
优选地，所述隐藏层包括：输入门、遗忘门和输出门。
优选地，预测模块包括：输入模块，用于长短期记忆循环神经网络的输入层接收股市字段，所述输入层将接收的股市字段映射到隐藏层；
输入门模块，用于若所述隐藏层的输入门处于打开状态，将允许的股市字段加入到隐藏层节点；
遗忘门模块，用于若隐藏层的遗忘门处于打开状态，则将保留当前隐藏层节点存储的股市字段的历史信息；
输出门模块，用于若隐藏层的输出门处于打开状态，则将当前隐藏层节点存储的股市字段的历史信息传播到输出层；
输出模块，用于通过输出层的激发函数对当前隐藏层节点存储的股市字段的历史信息进行变换得到所述长短期记忆循环神经网络的输出层的预测结果，所述预测结果包括下一交易日股市的波动率的预测值。
优选地，还包括：差值模块，用于根据下一交易日的股市的波动率的真实值与下一交易日股市的波动率的预测值进行比较，使用损失函数得到预测误差，并利用误差反向传播算法BP更新所述长短期记忆循环神经网络的网络参数。
与现有技术相比，本申请包括以下优点：
本申请通过使用长短期记忆循环神经网络的隐藏层对股市字段进行预测，获取股票的预测结果，将预测结果与设定阈值进行比较，如大于设定阈值，则该股票存在风险，通过使用隐藏层对股市字段进行预测，充分考虑当前股票市场的动态特性，从而解决了现有技术中利用ARCH模型或GARCH模型进行股票预测不准确，进而存在较高风险的问题。
附图说明
图1是本申请实施例一所述一种股票风险预测方法的流程图；
图2是本申请长短期记忆循环神经网络的结构框图；
图3是本申请长短期记忆循环神经网络按照时间序列展开后的结构示意图；
图4是本申请实施例二所述一种股票风险预测方法的流程图；
图5是本申请长短期记忆循环神经网络的隐藏层的结构示意图；
图6是本申请一种股票风险预测方法应用的实例；
图7是本申请实施例三所述一种股票风险预测装置的结构框图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
实施例一
参照图1，示出了本申请一种股票风险预测方法，具体包括：
步骤101：获取本地设备端所需调用的股市字段。
股市字段是与股市相关联的元素，所需调用的股市字段为本地设备端依据自身转播需求所设定的，可以由前端设备端和本地设备端预先协商定义的，其为预置信息。在股市数据调用播放的实际应用中，所需调用的股市字段可以是第一次调用播放前一次性给出，也可以是每次调用播放前分别给出。
其中，所需调用的股市字段包括开盘价、收盘价、最高价、最低价、成交量、成交额、涨跌额、涨跌幅、净资产收益率、市净率、指数平滑异同平均线和舆情因子中的一种或几种的组合，该股市字段存储在本地设备端的股市数据库中。
步骤102：基于长短期记忆循环神经网络的隐藏层对所述股市字段进行预测，获取股票的预测结果，其中，所述预测结果包括下一交易日股市的波动率的预测值，所述长短期记忆循环神经网络还包括输入层和输出层。
长短期记忆循环神经网络(LongShort-TermMemory-RecurrentNeuralNetwork,RNN-LSTM)是处理序列数据的有力工具，在长短期记忆循环神经网络中，一个序列当前的输出不仅依赖于当前输入，同时也依赖前一时刻的网络状态，这意味着这一长短期记忆循环神经网络可以对历史输入信息和系统状态信息进行记忆，并基于当前长短期记忆循环神经网络所处的状态信息计算当前输出。
参见如图2示出了长短期记忆循环神经网络的结构框图，长短期记忆循环神经网络包括输入层、隐藏层和输出层，其中，隐藏层节点加入反馈回路实现对股市字段的预测。参见图3示出了长短期记忆循环神经网络按照时间序列展开后的长短期记忆循环神经网络的示意图，其中，Time为1-T表示输入序列的时间，将股票的波动率σ1-σT,收益率r1-rT,成交量v1-vT,当前季度的gdp1-gdpT作为输入层的输入变量，经过隐藏层和输出层的处理得到输出结果，输出结果分别为σ2至σt+1。
其中，时间序列具有长期记忆性是指收益率序列的自相关函数既不是按指数速度迅速地衰减，也不是按线性速度缓慢地衰减，而是按负幂指数双曲线速度下降，也就是说相隔较远的时间间隔观测值之间仍具有一定的自相关性，历史事件在较长时期内仍会对未来产生影响，但这种影响是有限的。
时间序列具有长记忆性的精确定义可表述为：对平稳时间序列{Xt}，如果存在常数C>0和d<0.5，μ为常数，其自协方差函数r(k)＝E[(Xt-μ)(Xt+k-μ)]具有如下特征：当k→∞时，|r(k)|～C|k|2d-1,则称时间序列{Xt}具有长记忆性期。
步骤103：若预测结果大于设定阈值，则执行步骤104，若预测结果小于设定阈值，则执行步骤105。
将下一交易日股市的波动率的预测值与设定阈值进行比较，若预测值在允许的误差范围内，若波动率的预测值大于设定阈值，则该股票投资存在较高风险，提醒用户谨慎投资，若波动率的预测值小于设定阈值，则该股票投资风险较低，提醒用户投资风险低，用户根据自己的实际情况购买股票，误差范围一般取值为0-0.5。
其中，阈值的设定可以由本领域技术人员采用任意适当方式进行设定，如可以采用人工经验设定阈值，或者针对历史数据的差异值设定阈值，本申请对此不作限制。
步骤104：股票存在较高风险。
步骤105：股票存在较低风险。
其中，将股票存在风险的结果和股票不存在风险的结果保存在中间服务器，所谓中间服务器，从广义上讲，是指网络中能对其它机器提供某些服务的计算机系统(如果一个PC对外提供FTP服务，也可以叫服务器)；从狭义上来讲，是专指某些高性能计算机，能够通过网络，对外提供服务。本实施例中，中间服务器为FTP服务器，其中，FTP(FileTransferProtocol)即文件传输协议。
通过从FTP服务器下载或拷贝的方式将股票存在风险或股票不存在风险的结果发送到本地设备端，完成对股票的预测结果的展示。
假设为使观众通过预测结果对各支股票的交易量有更明了的了解客，客户端可以对所获取的股市字段及其对应的股市信息按照股票预测结果进行递减排序，使得所有股市数据依据股票预测结果的大小依次从前到后显示，；又假设为适合观众的观看习惯或关注程度，客户端可以对每支股市数据中的各股市字段及其对应的股市信息进行左右顺序的排序，比如观众对最新价的关注度较高，则可以按照人们从左向右的观看习惯将最新价及其相应的股市信息向左排序，。
上述排序方式仅为举例说明，实际应用中排序方式还有很多种，这里不再一一介绍。并且，上述排序工作还可以在转换为本地设备端数据库数据的文件类型后进行，如果转换后的股市数据不满足本地设备端的显示顺序需求，则可以对其进行排序处理。
本实施例，通过使用长短期记忆循环神经网络的隐藏层对股市字段进行预测，获取股票的预测结果，将预测结果与设定阈值进行比较，如大于设定阈值，则该股票存在风险，通过使用隐藏层对股市字段进行预测，充分考虑当前股票市场的动态特性，从而解决了现有技术中利用ARCH模型进行股票预测不准确，进而存在较高风险的问题，降低了给用户带来巨大损失的几率。
实施例二
参照图4，示出了本申请一种股票风险预测方法，具体包括：
步骤401：获取本地设备端所需调用的股市字段。
步骤402：基于长短期记忆循环神经网络的隐藏层对所述股市字段进行预测，获取股票的预测结果，其中，隐藏层包括输入门、遗忘门和输出门。
步骤402包括以下子步骤：
步骤4021：长短期记忆循环神经网络的输入层接收股市字段，所述输入层将接收的股市字段映射到隐藏层。
基于图1所示长短期记忆循环神经网络的结构框图，本申请对隐藏层进的内部结构进行了展示，具体如图5所示，其中，隐藏层包括多个隐藏层节点，每个隐藏层节点包括长短期记忆单元，每个长短期记忆单元接收一个输入信息，就会给出一个输出信息，并且在记忆单元中会记住当前系统的状态。
步骤4022：若隐藏层的输入门处于打开状态，将允许的股市字段加入到隐藏层节点。
隐藏层的输入门用来表示是否允许股市字段信息加入到隐藏层的长短期记忆单元中，如果输入门的阈值为1时，则输入门处于打开状态，因此允许将股市字段加入到隐藏层节点中。如果输入门的阈值为0时，则输入门处于打开关闭状态，因此不允许将股市字段加入到隐藏层节点中，这样可以摒弃掉一些无用的股市字段信息。
步骤4023：若隐藏层的遗忘门处于打开状态，则将保留当前隐藏层节点存储的股市字段历史信息。
隐藏层的遗忘门用来表示是否保留当前隐藏层节点存储的股市字段的历史信息，如果遗忘门的阈值为1时，则遗忘门处于打开状态，因此允许将当前隐藏层节点存储的股市字段的历史信息保留。如果遗忘门的阈值为0时，则遗忘门处于关闭状态，因此将当前隐藏层节点存储的股市字段的历史信息清空，从而实现了历史信息的实时更新。
步骤4024：若隐藏层的输出门处于打开状态，则将当前隐藏层节点存储的股市字段历史信息传播到输出层。
隐藏层的输出门用来表示是否将当前隐藏层节点存储的股市字段的历史信息传输到输出层，如果输出门的阈值为1时，则输出门处于打开状态，则允许将当前隐藏层节点的股市字段的历史信息传输到输出层。如果输出门的阈值为0时，则输出门处于关闭状态，则将当前隐藏层节点的股市字段的历史信息丢弃。
需要说明的是，当隐藏层由多个长短期记忆单元组成时，当输出门的值为1时，则输出门处于打开状态，则允许将当前隐藏层节点的历史信息传输到下一个长短期记忆单元，如图5所示，隐藏层包括20个长短期记忆单元LSTM。
步骤4025：通过输出层的激发函数对当前隐藏层节点存储的股市字段历史信息进行变换，得到所述长短期记忆循环神经网络的输出层的预测结果，所述预测结果包括下一交易日股市的波动率的预测值。
步骤403：若预测结果大于设定阈值，则执行步骤404，若预测结果小于设定阈值，则执行步骤405。
步骤404：股票存在风险。
步骤405：股票不存在风险。
步骤406：根据下一交易日的股市的波动率的真实值与下一交易日股市的波动率的预测值进行比较，使用损失函数，得到预测误差，并利用误差反向传播算法(BackPropagation，BP)更新所述长短期记忆循环神经网络的网络参数。
到下一交易日收盘时,基于下一交易日真实的波动率和下一交易日的预测值的误差对长短期记忆循环神经网络进行更新，并使用更新后的长短期记忆循环神经网络预测未来的波动率，通过上述预测-更新循环往复，一方面股市字段的历史信息得以较长时间内对未来预测产生影响，另一方面新的信息会逐渐取代旧的信息，使长短期记忆循环神经网络一直反映最新的股票市场状态。
本实施例，首先，通过使用长短期记忆循环神经网络的隐藏层对股市字段进行预测，获取股票的预测结果，将预测结果与设定阈值进行比较，如大于设定阈值，则该股票存在风险，通过使用隐藏层对股市字段进行预测，充分考虑当前股票市场的动态特性，从而解决了现有技术中利用ARCH模型进行股票预测不准确，进而存在较高风险的问题。
其次，通过对隐藏层的输入门、遗忘门和输出门设定阈值变量来控制股市字段的历史信息的更新速度，使很久之前的股市字段的历史信息删除，隐藏层会将更新后的股市字段的历史信息记录下来，进而根据更新后的股市字段的历史信息进行预测，从而提高了预测的精度。
为了本领域技术人员更好的理解本申请限定的技术方案，参见图6所述本申请所述一种股票风险预测方法应用的实例。
本实施例股票风险预测方法的可以采用如图2所示的长短期记忆循环神经网络按时间序列展开后结构图进行股票风险预测，具体股票风险预测的流程如下：
步骤601：在t＝0时刻，初始化长短期记忆循环神经网络的网络参数，并将各LSTM单元置零。
步骤602：在t＝1时刻，将前一交易日收盘时该股票的波动率σ1,收益率r1,成交量v1,当前季度的gdp1作为长短期记忆循环神经网络的输入层的输入，通过隐藏层的LSTM对输入进行处理，得到输出层的股票的预测结果。
步骤603：基于t＝1时刻波动率的真实值与t＝1时刻波动率预测值的差值进行比较，使用损失函数，得到预测误差，利于BP算法更新RNN-LSTM网络参数。
步骤604：在t＝t+1时刻，重复执行步骤602-步骤603。
基于上述方法实施例的说明，本申请还提供了相应的一种股票风险预测装置的实施例，来实现上述方法实施例所述的内容。
实施例三
参见图7，示出了本申请实施例三中的一种股票风险预测装置的结构框图，具体可以包括：获取模块701，用于获取本地设备端所需调用的股市字段。
预测模块702，用于基于长短期记忆循环神经网络的隐藏层对所述股市字段进行预测，获取股票的预测结果，其中，所述预测结果包括下一交易日股市的波动率的预测值，所述长短期记忆循环神经网络还包括：输入层和输出层。
判断模块703，用于所述预测结果大于设定阈值，则股票预测存在风险。
优选地，所述所需调用的股市字段包括开盘价、收盘价、最高价、最低价、成交量、成交额、涨跌额、涨跌幅、净资产收益率、市净率、指数平滑异同平均线和舆情因子中的一种或几种的组合。
优选地，所述隐藏层包括：输入门、遗忘门和输出门。
优选地，预测模块包括：
输入模块，用于长短期记忆循环神经网络的输入层接收股市字段，所述输入层将接收的股市字段映射到隐藏层；
输入门模块，用于若所述隐藏层的输入门处于打开状态，将允许的股市字段加入到隐藏层节点；
遗忘门模块，用于若隐藏层的遗忘门处于打开状态，则将保留当前隐藏层节点存储的历史信息；
输出门模块，用于若隐藏层的输出门处于打开状态，则将当前隐藏层节点存储的历史信息传播到输出层；
输出模块，用于通过输出层的激发函数对当前隐藏层节点存储的历史信息进行变换得到所述长短期记忆循环神经网络的输出层的预测结果，所述预测结果包括下一交易日股市的波动率的预测值。
优选地，还包括：差值模块，用于根据下一交易日的股市的波动率的真实值与下一交易日股市的波动率的预测值进行比较，使用损失函数得到预测误差，并利用误差反向传播BP更新所述长短期记忆循环神经网络的网络参数。
本实施例，通过使用长短期记忆循环神经网络的隐藏层对股市字段进行预测，获取股票的预测结果，将预测结果与设定阈值进行比较，如大于设定阈值，则该股票存在风险，通过使用隐藏层对股市字段进行预测，充分考虑当前股票市场的动态特性，从而解决了现有技术中利用ARCH模型进行股票预测不准确，进而存在较高风险的问题。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
以上对本申请所提供的一种股票风险预测的方法和装置，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种股票风险预测方法，其特征在于，包括：
获取本地设备端所需调用的股市字段；
基于长短期记忆循环神经网络的隐藏层对所述股市字段进行预测，获取股票的预测结果，其中，所述预测结果包括下一交易日股市的波动率的预测值，所述长短期记忆循环神经网络还包括输入层和输出层；
所述预测结果大于设定阈值，则股票存在风险。
2.根据权利要求1所述的方法，其特征在于，所述所需调用的股市字段包括开盘价、收盘价、最高价、最低价、成交量、成交额、涨跌额、涨跌幅、净资产收益率、市净率、指数平滑异同平均线和舆情因子中的一种或几种的组合。
3.根据权利要求1所述的方法，其特征在于，所述隐藏层包括输入门、遗忘门和输出门。
4.根据权利要求3所述的方法，其特征在于，使用长短期记忆循环神经网络的隐藏层对所述股市字段进行预测，获取股票的预测结果的步骤包括：
长短期记忆循环神经网络的输入层接收股市字段，所述输入层将接收的股市字段映射到隐藏层；
若隐藏层的输入门处于打开状态，将允许的股市字段加入到隐藏层节点；
若隐藏层的遗忘门处于打开状态，则将保留当前隐藏层节点存储的股市字段的历史信息；
若隐藏层的输出门处于打开状态，则将当前隐藏层节点存储的股市字段的历史信息传播到输出层；
通过输出层的激发函数对当前隐藏层节点存储的股市字段的历史信息进行变换，得到所述长短期记忆循环神经网络的输出层的预测结果，所述预测结果包括下一交易日股市的波动率的预测值。
5.根据权利要求1所述的方法，其特征在于，还包括：根据下一交易日的股市的波动率的真实值与下一交易日股市的波动率的预测值进行比较，使用损失函数，得到预测误差，并利用误差反向传播算法BP更新所述长短期记忆循环神经网络的网络参数。
6.一种股票风险预测装置，其特征在于，包括：
获取模块，用于获取本地设备端所需调用的股市字段；
预测模块，用于基于长短期记忆循环神经网络的隐藏层对所述股市字段进行预测，获取股票的预测结果，其中，所述预测结果包括下一交易日股市的波动率的预测值，所述长短期记忆循环神经网络还包括：输入层和输出层；
判断模块，用于所述预测结果大于设定阈值，则股票预测存在风险。
7.根据权利要求6所述的装置，其特征在于，所述所需调用的股市字段包括开盘价、收盘价、最高价、最低价、成交量、成交额、涨跌额、涨跌幅、净资产收益率、市净率、指数平滑异同平均线和舆情因子中的一种或几种的组合。
8.根据权利要求6所述的装置，其特征在于，所述隐藏层包括：输入门、遗忘门和输出门。
9.根据权利要求8所述的装置，其特征在于，预测模块包括：
输入模块，用于长短期记忆循环神经网络的输入层接收股市字段，所述输入层将接收的股市字段映射到隐藏层；
输入门模块，用于若所述隐藏层的输入门处于打开状态，将允许的股市字段加入到隐藏层节点；
遗忘门模块，用于若隐藏层的遗忘门处于打开状态，则将保留当前隐藏层节点存储的股市字段的历史信息；
输出门模块，用于若隐藏层的输出门处于打开状态，则将当前隐藏层节点存储的股市字段的历史信息传播到输出层；
输出模块，用于通过输出层的激发函数对当前隐藏层节点存储的历史信息进行变换得到所述长短期记忆循环神经网络的输出层的预测结果，所述预测结果包括下一交易日股市的波动率的预测值。
10.根据权利要求6所述的装置，其特征在于，还包括：差值模块，用于根据下一交易日的股市的波动率的真实值与下一交易日股市的波动率的预测值进行比较，使用损失函数得到预测误差，并利用误差反向传播算法BP更新所述长短期记忆循环神经网络的网络参数。
CN201510993312.1A 2015-12-24 2015-12-24 股票风险预测方法和装置 Pending CN105787582A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510993312.1A CN105787582A (zh) 2015-12-24 2015-12-24 股票风险预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510993312.1A CN105787582A (zh) 2015-12-24 2015-12-24 股票风险预测方法和装置

Publications (1)

Publication Number Publication Date
CN105787582A true CN105787582A (zh) 2016-07-20

Family

ID=56389964

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510993312.1A Pending CN105787582A (zh) 2015-12-24 2015-12-24 股票风险预测方法和装置

Country Status (1)

Country Link
CN (1) CN105787582A (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503853A (zh) * 2016-11-02 2017-03-15 华南师范大学 一种基于多标度卷积神经网络的外汇交易预测模型
CN106530082A (zh) * 2016-10-25 2017-03-22 清华大学 基于多机器学习的股票预测方法及系统
CN107563122A (zh) * 2017-09-20 2018-01-09 长沙学院 基于交织时间序列局部连接循环神经网络的犯罪预测方法
WO2018161908A1 (zh) * 2017-03-09 2018-09-13 腾讯科技（深圳）有限公司 产品对象的处理方法和装置、存储介质以及电子装置
CN108764572A (zh) * 2018-05-28 2018-11-06 安徽磐众信息科技有限公司 一种基于循环神经网络的金融数据预测方法
CN109636609A (zh) * 2019-01-04 2019-04-16 广州市本真网络科技有限公司 基于双向长短时记忆模型的股票推荐方法及系统
CN109697614A (zh) * 2017-10-23 2019-04-30 北京京东金融科技控股有限公司 用于检测欺诈数据的方法及装置
CN109716361A (zh) * 2016-09-08 2019-05-03 谷歌有限责任公司 执行触摸运动预测的深度机器学习
CN109739895A (zh) * 2018-12-07 2019-05-10 中国联合网络通信集团有限公司 一种虚拟物品交易预测方法及装置
CN109800858A (zh) * 2018-12-21 2019-05-24 东软集团股份有限公司 数据异常检测方法、装置、可读存储介质及电子设备
CN110490746A (zh) * 2019-08-19 2019-11-22 福建工程学院 一种股市量化投资的金融科技人工智能优化方法及装置
WO2020000715A1 (zh) * 2018-06-29 2020-01-02 平安科技（深圳）有限公司 基于指数特征提取的股指预测方法、服务器及存储介质
CN110717628A (zh) * 2019-10-09 2020-01-21 浪潮软件股份有限公司 一种货源优配模型构建方法、优配模型以及优配方法
CN110782096A (zh) * 2019-10-29 2020-02-11 山东科技大学 一种外汇时间序列预测方法
CN110827148A (zh) * 2019-10-24 2020-02-21 宋亚童 基于降维技术优化的循环神经网络的股市数据分析方法
CN111239569A (zh) * 2020-03-12 2020-06-05 杭州电弧数据科技有限公司 电弧故障检测方法、装置、设备及存储介质
CN111612629A (zh) * 2020-06-04 2020-09-01 国泰君安证券股份有限公司 基于长短期循环神经网络的实现股市风险预测处理的方法及其系统
CN112801798A (zh) * 2021-04-08 2021-05-14 成都数联铭品科技有限公司 关联网络的影响传播分析和模式识别方法、系统、设备

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11740724B2 (en) 2016-09-08 2023-08-29 Google Llc Deep machine learning to perform touch motion prediction
CN109716361A (zh) * 2016-09-08 2019-05-03 谷歌有限责任公司 执行触摸运动预测的深度机器学习
CN109716361B (zh) * 2016-09-08 2023-09-15 谷歌有限责任公司 执行触摸运动预测的深度机器学习
CN106530082A (zh) * 2016-10-25 2017-03-22 清华大学 基于多机器学习的股票预测方法及系统
CN106503853A (zh) * 2016-11-02 2017-03-15 华南师范大学 一种基于多标度卷积神经网络的外汇交易预测模型
WO2018161908A1 (zh) * 2017-03-09 2018-09-13 腾讯科技（深圳）有限公司 产品对象的处理方法和装置、存储介质以及电子装置
CN107563122A (zh) * 2017-09-20 2018-01-09 长沙学院 基于交织时间序列局部连接循环神经网络的犯罪预测方法
CN107563122B (zh) * 2017-09-20 2020-05-19 长沙学院 基于交织时间序列局部连接循环神经网络的犯罪预测方法
CN109697614A (zh) * 2017-10-23 2019-04-30 北京京东金融科技控股有限公司 用于检测欺诈数据的方法及装置
CN108764572A (zh) * 2018-05-28 2018-11-06 安徽磐众信息科技有限公司 一种基于循环神经网络的金融数据预测方法
WO2020000715A1 (zh) * 2018-06-29 2020-01-02 平安科技（深圳）有限公司 基于指数特征提取的股指预测方法、服务器及存储介质
CN109739895A (zh) * 2018-12-07 2019-05-10 中国联合网络通信集团有限公司 一种虚拟物品交易预测方法及装置
CN109800858A (zh) * 2018-12-21 2019-05-24 东软集团股份有限公司 数据异常检测方法、装置、可读存储介质及电子设备
CN109800858B (zh) * 2018-12-21 2021-03-05 东软集团股份有限公司 应用系统异常检测方法、装置、可读存储介质及电子设备
CN109636609A (zh) * 2019-01-04 2019-04-16 广州市本真网络科技有限公司 基于双向长短时记忆模型的股票推荐方法及系统
CN110490746A (zh) * 2019-08-19 2019-11-22 福建工程学院 一种股市量化投资的金融科技人工智能优化方法及装置
CN110717628A (zh) * 2019-10-09 2020-01-21 浪潮软件股份有限公司 一种货源优配模型构建方法、优配模型以及优配方法
CN110717628B (zh) * 2019-10-09 2023-05-23 浪潮软件股份有限公司 一种货源优配模型构建方法、优配模型以及优配方法
CN110827148B (zh) * 2019-10-24 2020-07-24 宋亚童 基于降维技术优化的循环神经网络的股市数据分析方法
CN110827148A (zh) * 2019-10-24 2020-02-21 宋亚童 基于降维技术优化的循环神经网络的股市数据分析方法
CN110782096A (zh) * 2019-10-29 2020-02-11 山东科技大学 一种外汇时间序列预测方法
CN111239569A (zh) * 2020-03-12 2020-06-05 杭州电弧数据科技有限公司 电弧故障检测方法、装置、设备及存储介质
CN111612629A (zh) * 2020-06-04 2020-09-01 国泰君安证券股份有限公司 基于长短期循环神经网络的实现股市风险预测处理的方法及其系统
CN112801798A (zh) * 2021-04-08 2021-05-14 成都数联铭品科技有限公司 关联网络的影响传播分析和模式识别方法、系统、设备

Similar Documents

Publication Publication Date Title
CN105787582A (zh) 股票风险预测方法和装置
Singh Financial development and economic growth nexus: a time-series evidence from India
CN108460679B (zh) 融合注意力机制的深度网络智能投资系统数据分析方法
Zhang et al. A hybrid model based on bidirectional long short-term memory neural network and Catboost for short-term electricity spot price forecasting
Antoch et al. Electricity consumption prediction with functional linear regression using spline estimators
CN111242602B (zh) 支付设备的控制方法、装置、计算机可读存储介质和设备
Xing et al. The analysis and prediction of stock price
CN109816157A (zh) 项目计划优化方法、装置、计算机设备和存储介质
CN116307215A (zh) 一种电力系统的负荷预测方法、装置、设备及存储介质
Gong et al. A new approach of stock price prediction based on logistic regression model
CN112907063A (zh) 人口流动率和房屋空置率确定方法及终端设备
Tang et al. Forecasting annual foreign tourist arrivals to China by incorporating firefly algorithm into fractional non-homogenous discrete Grey model
CN113743667A (zh) 一种台区用电量预测方法、装置、设备及存储介质
Srinivasan et al. Stock price prediction using fuzzy time-series population based gravity search algorithm
Shan et al. Forecasting study of Shanghai’s and Shenzhen’s stock markets using a hybrid forecast method
CN116050862A (zh) 一种舆情情感态势预测方法、系统、终端及存储介质
CN115564152A (zh) 基于stirpat模型的碳排放量预测方法及装置
Wong Stock Price Prediction Model Based on the Short-term Trending of KNN Method
CN114118530A (zh) 一种基于多户电力消耗预测模型的预测方法及装置
CN114444775A (zh) 一种用户的用电负荷特征预测方法及装置
Dongdong et al. The forecast of price index based on Wavelet Neural Network
CN113592136A (zh) 一种交通数据预测方法、装置及电子设备
Ho Forecasting tender price index under incomplete information
Xuewu et al. The city taxi quantity prediction via GM-BP model
Zhang et al. Daily tourism forecasting through a novel method based on principal component analysis, grey wolf optimizer, and extreme learning machine

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20160720

RJ01 Rejection of invention patent application after publication