基于张量及事件驱动LSTM模型的股价预测方法.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CN109919366A(43)申请公布日2019.06.21(21)申请号201910134097.8(22)申请日2019.02.22(71)申请人西南财经大学地址611130四川省成都市温江柳台大道555号(72)发明人李庆谭晶桦王俊谢志龙齐硕(74)专利代理机构成都金英专利代理事务所(普通合伙)51218代理人袁英(51)Int.Cl.G06Q10/04(2012.01)G06Q40/04(2012.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书8页附图6页(54)发明名称基于张量及事件驱动LSTM模型的股价预测方法(57)摘要基于张量及事件驱动LSTM模型的股价预测方法，包括首先进行市场信息二阶张量构建，然后进行基于事件驱动的LSTM模型构建，最后进行基于LSTM模型对张量数据进行处理。本发明通过二阶张量表征不同维度的数据源信息，形成时序张量流数据，能够尽可能多地保留数据之间的相互关联；同时，通过卷积局部连接和权值共享的特点，能够捕捉保留张量数据中异构基本面数据和媒体情感面数据的相关关系；通过事件驱动对LSTM记忆的控制，能够有效控制事件发生与否对股票市场的影响情况，使不定时间间隔的媒体情感面数据在长间隔后，也能够记起特有的规律和模式。CN109919366ACN109919366A权利要求书1/2页1.基于张量及事件驱动LSTM模型的股价预测方法，基于二阶张量通过事件驱动的LSTM模型对股价进行预测，其特征在于，包括以下步骤：S1：市场信息二阶张量构建，所述市场信息包括基本面数据和媒体情感数据，利用二阶张量空间对基本面数据和媒体情感数据进行表征，更多地保留异构数据源间相互关系，所I1×I2I述二阶张量的表达式为Xt∈R,其中I1∈R，I2∈R分别代表公司基本面信息数据和媒体情感面信息，特别地，二阶张量中元素ai1,i2定义为：ai1,1,1≤i1≤I1表示公司基本面信息中的特征值；a2,i2,1≤i2≤I2表示媒体情感面信息中的特征值；S2：基于事件驱动的LSTM模型构建，所述LSTM模型的t时期的输入包括前期输出ht-1、前期细胞记忆Ct-1以及当期市场信息二阶张量Xt；S3：基于LSTM模型对张量数据进行处理。2.如权利要求1所述的基于张量及事件驱动LSTM模型的股价预测方法，其特征在于：所述的公司基本面信息包括日最高价、日最低价、开盘价、收盘价、成交量、换手率、市盈率和市账率。3.如权利要求1所述的基于张量及事件驱动LSTM模型的股价预测方法，其特征在于：所述的媒体情感面信息包括正面情感度、负面情感度和正负情感偏差，其计算如下：其中，N+,N-分别表示正、负面情感次数，P+,P-分别表示正负面情感度的衡量，D-表示正负情感偏差指标。4.如权利要求1所述的基于张量及事件驱动LSTM模型的股价预测方法，其特征在于：所述的事件驱动的LSTM模型构建，包括以下步骤：I1×I2S1:在t时期输入：前期输出ht-1、前期记忆细胞Ct-1和二阶张量Xt∈R，其中前期输出ht-1记录了前期模型隐藏层信息，细胞记忆Ct-1记录了前期市场信息中获得的规律和模式，以媒体情感信息面信息对记忆状态进行调整；S2:在t时期利用遗忘门ft对前期记忆细胞Ct-1进行筛选，舍弃对当前股票波动无用的信息，遗忘门ft的计算方式为：ft＝σ(Wf*Xt+Uf*ht-1+Vf*Rt+bf)其中{Wf,Uf,Vf}为遗忘门参数，bf为对应偏置项，*为定义的卷积操作；S3:通过对二阶张量Xt和前期输出ht-1的函数映射机制，得到保留市场信息因子的临时记忆细胞计算方式为其中{Wc,Uc,Vc}为细胞临时状态参数，bc为对应偏置项，*为定义的卷积操作；S4:利用输入门it将当期输入信息加入记忆细胞，得到新的记录市场信息相互关系和波动规律的记忆Ct，it和Ct计算方式为：it＝σ(Wi*Xi+Ui*ht-1+Vi*Rt+bi)2CN109919366A权利要求书2/2页其中{Wi,Ui,Vi}为输入门神经网络参数，bi为对应偏置项，*为定义的卷积操作，○是Handmard乘积；S5：通过输出门ot对最后得到的细胞状态和当前输入进行输出筛选，得到t时期的输出ht，计算方式为：ot＝σ(Wo*Xt+Uo*ht-1+Vo*Rt+bo)ht＝ot○tanh(Cf)5.如权利要求1所述的基于张量及事件驱动LSTM模型的股价预测方法，其特征在于：还包括记忆状态调整步骤，，以媒体情感信息面信息对记忆状态进行调整，使用非增函数映射机制将事件转换为控制因子rt，并利用tanh函数的映射机制剥离出来与事件无关的记忆。当有事件发生时，事件控制因子变大，筛选细胞记