一种基于多尺度卷积神经网络的金融指数预测方法.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CN114169990A(43)申请公布日2022.03.11(21)申请号202111535168.9(22)申请日2021.12.15(71)申请人广州捷锐企业管理有限公司地址515200广东省广州市天河区珠江东路28号4901房自编11-12单元(72)发明人黄坚葵(74)专利代理机构北京市盛峰律师事务所11337代理人席小东(51)Int.Cl.G06Q40/00(2012.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书8页附图1页(54)发明名称一种基于多尺度卷积神经网络的金融指数预测方法(57)摘要本发明提供一种基于多尺度卷积神经网络的金融指数预测方法，包括以下步骤：构建训练样本集；构建多尺度卷积神经网络；采用所述训练样本集，对所述多尺度卷积神经网络进行训练，得到训练好的多尺度卷积神经网络；采集当前时间段n个不同时间尺度的金融指数序列，经过预处理后，输入训练完成的多尺度卷积神经网络，输出当日收盘时金融指数涨、金融指数跌或金融指数平的预测结果，进而指导当前是否购买对应金融指数的交易。本发明充分利用不同时间尺度数据中蕴含的信息，对不同尺度的金融指数序列进行融合，能够更综合准确的反映同一个时间段的金融指数波动规律，提高当日收盘时涨、跌、平的预测准确性。CN114169990ACN114169990A权利要求书1/2页1.一种基于多尺度卷积神经网络的金融指数预测方法，其特征在于，包括以下步骤：步骤1，构建训练样本集；所述训练样本集包括多个训练样本子集；每个所述训练样本子集表示为：F＝{ft1,ft2，…,ftn}；每个所述训练样本子集具有标签，所述标签为当日收盘时金融指数涨、金融指数跌或金融指数平的标签；其中，ft1代表在历史时间段按t1采样间隔进行采样，得到的第一金融指数序列；ft2代表在同一历史时间段按t2采样间隔进行采样，得到的第二金融指数序列；依此类推，ftn代表在同一历史时间段按tn采样间隔进行采样，得到的第n金融指数序列；并且，t1＜t2＜…＜tn；步骤2，构建多尺度卷积神经网络；步骤3，采用所述训练样本集，对所述多尺度卷积神经网络进行训练，得到训练好的多尺度卷积神经网络；具体方法为：步骤3.1，对训练样本子集F＝{ft1，ft2，…,ftn}中的每个金融指数序列进行预处理，得到预处理后的训练样本子集F”＝{f”t1,f”t2,…,f”tn}；其中，预处理方法为：1)对每个金融指数序列进行一阶差分，得到差分后金融指数序列；其中，第i个金融指数序列fti表示为：fti＝ki1,ki2,…,kim，m为第i个金融指数序列fti包括的采样点数量；采用下式，得到差分后金融指数序列δfti＝δki1,δki2,…,δki(m‑1)；δki1＝ki2‑ki1δki2＝ki3‑ki2......δki(m‑1)＝kim‑ki(m‑1)2)采用下式，对差分后金融指数序列进行归一化，得到归一化后的金融指数序列f”ti＝k”i1,k”i2,…,k”i(m‑1):......其中：δk{min}为δki1,δki2,…,δki(m‑1)中的最小值；δk{max}为δki1,δki2,…δki(m‑1)中的最大值；步骤3.2，对于预处理后的训练样本子集F”＝{f”t1,f”t2,…,f”tn}，将f”t1,f”t2,…,f”tn具有的采样点数量分别表示为：c1,c2,…,cn，c1＞c2＞…＞cn；另外，每个采样点为s维采样数据，具有s个采样分量；2CN114169990A权利要求书2/2页步骤3.2.1，金融指数序列f”t1进行特征提取和下采样：金融指数序列f”t1为s行c1列的矩阵，输入卷积层conv1进行第一次特征提取，再通过sigmoid激活函数进行第一次激活，得到第1‑1特征矩阵F11；将第1‑1特征矩阵F11输入卷积层conv1进行第二次特征提取，再通过sigmoid激活函数进行第二次激活，得到第1‑2特征矩阵F12；将第1‑2特征矩阵F12进行下采样和最大池化，进行批量归一化处理，得到s行c2列的第1‑3特征矩阵F13；步骤3.2.2，金融指数序列f”t2进行特征提取：金融指数序列f”t2为s行c2列的矩阵，输入卷积层conv2进行第一次特征提取，再通过sigmoid激活函数进行第一次激活，得到第2‑1特征矩阵F21；将第2‑1特征矩阵F21输入卷积层conv2进行第二次特征提取，再通过sigmoid激活函数进行第二次激活，得到第2‑2特征矩阵F22；将第2‑2特征矩阵F22进行批量归一化处理，得到s行c2列的第2‑3特征矩阵F23；步骤3.2.3，金融指数序列f”t1和金融指数序列f”t2进行维度拼