基于多任务学习和多指数协同注意力机制的股市预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112837161A(43)申请公布日2021.05.25(21)申请号202110249493.2G06N3/04(2006.01)(22)申请日2021.03.08G06N3/08(2006.01)(71)申请人智谭（浙江）信息科技有限公司地址310018浙江省杭州市经济技术开发区白杨街道2号大街515号2幢103、104室C区4号(72)发明人谭营陈培滨马涛(74)专利代理机构北京东方盛凡知识产权代理事务所(普通合伙)11562代理人张雪(51)Int.Cl.G06Q40/04(2012.01)G06Q30/02(2012.01)G06Q10/04(2012.01)G06Q10/06(2012.01)权利要求书2页说明书8页附图3页(54)发明名称基于多任务学习和多指数协同注意力机制的股市预测方法(57)摘要本发明公开了一种基于多任务学习和多指数协同注意力机制的股市预测方法，根据A股市场主要指数的特点，使用多指数协同注意力机制，提取不同指数间的共性，保留各自指数的特性，同时采用多任务学习框架，对每个指数做各自的风险预测，有效地解决了传统技术中的“模型结构简单，依赖文本数据”的问题；本发明采用A股市场直接反映大盘走势的主要指数的特征作为模型输入，且在模型训练时分别预测各个主要指数的走势，很好地解决了传统技术中“预测结果未能反映大盘走势”的问题；通过利用本发明提出的方法，能够对整个大盘的走势进行智能化的涨跌预测，从而为投资者确定更好的买卖时机。CN112837161ACN112837161A权利要求书1/2页1.一种基于多任务学习和多指数协同注意力机制的股市预测方法，其特征在于，具体包括以下步骤：S1、采集股市指数数据的多指数特征，并对所述多指数特征进行标准化处理；S2、将处理后的多指数特征输入到多任务编码层，得到多个指数编码特征；S3、将多个所述指数编码特征进行拼接，得到指数特征总和；将所述指数特征总和输入到任务协同注意力网络中，得到任务协同注意力矩阵；S4、将多个所述指数编码特征和所述任务协同注意力矩阵输入到指数相关性特征学习层，得到多个指数相关性特征；S5、将多个所述指数相关性特征输入到残差全连接层，得到具备两种性质的特征；S6、将所述具备两种性质的特征输入到指数预测层，得到股市指数风险预测结果。2.根据权利要求1所述的基于多任务学习和多指数协同注意力机制的股市预测方法，其特征在于，所述指数数据采用日频交易数据。3.根据权利要求1所述的基于多任务学习和多指数协同注意力机制的股市预测方法，其特征在于，所述步骤S2具体为：将经过所述标准化处理后的所有指数特征输入到长短期记忆型循环神经网络LSTM中，并取所述LSTM最后一个时间步的输出作为指数数据的多指数编码特征；所述多任务编码层采用多个独立的单层全连接层对多个指数特征进行抽取。4.根据权利要求1所述的基于多任务学习和多指数协同注意力机制的股市预测方法，其特征在于，所述步骤S3中的任务协同注意力网络包括键网络和查询网络，二者都采用单层的全连接层形式；将所述指数特征总和输入所述键网络，得到特征键；将所述指数特征总和输入所述查询网络，得到特征值，然后计算所述特征键与所述特征值的相似度，得到所述任务协同注意力矩阵。5.根据权利要求1所述的基于多任务学习和多指数协同注意力机制的股市预测方法，其特征在于，所述步骤S4具体为：将所述多个指数编码特征和所述任务协同注意力矩阵输入到指数相关性特征学习层，每个指数按照与其他指数的相似度，以加权形式融合其他指数特征，得到所述多指数相关性特征；所述每个指数的输出特征包括自身属性、其他指数关联性较大的指数属性。6.根据权利要求1所述的基于多任务学习和多指数协同注意力机制的股市预测方法，其特征在于，所述步骤S5具体为：将所述多指数相关性特征输入到具有残差结构的残差全连接层，将所述多指数相关性特征通过独立的任务编码器得到任务相关性特征，再与所述多指数相关性特征进行拼接，获得具备所述任务相关性和所述多指数相关性的两种特征；所述任务编码器采用单层全连接层形式。7.根据权利要求1所述的基于多任务学习和多指数协同注意力机制的股市预测方法，其特征在于，所述步骤S6具体为：将所述具备两种性质的特征输入到指数预测层，得到一个输出值，将所述输出值通过指数预测目标函数进行归一化处理，并将处理后的值与实际值进行对比；最后采用所有指2CN112837161A权利要求书2/2页数的隔天预测值的平均值对股市进行多指数风险预测。8.根据权利要求7所述的基于多任务学习和多指数协同注意力机制的股市预测方法，其特征在于，所述指数预测目标函数采用Sigmoid函数；所述归一化处理后的值介于0到1之间。9.根据权