本申請涉及人工智能
技術(shù)領(lǐng)域：
，具體涉及一種基于lstm(long-shorttermmemory，長短期記憶神經(jīng)網(wǎng)絡(luò))的股票趨勢預(yù)測方法，還涉及一種執(zhí)行并實(shí)現(xiàn)該方法的智能終端。
背景技術(shù)：
：股票交易市場是經(jīng)濟(jì)運(yùn)行的晴雨表。投資者如果能夠精確的把握股票市場的變化規(guī)律，不僅可以獲取巨大收益，還可以規(guī)避投資風(fēng)險(xiǎn)。對于政府監(jiān)管而言，既可以提前制定合理政策以引導(dǎo)市場健康發(fā)展，也可以對上市公司提前預(yù)警風(fēng)險(xiǎn)。因此，股票市場趨勢預(yù)測一直以來都是一個(gè)涉及到國計(jì)民生的關(guān)鍵問題，既是投資者追求的圣杯，也是金融市場監(jiān)管的難點(diǎn)。但是，股票市場變化涉及到政治、經(jīng)濟(jì)、文化等諸多方面的影響因素，目前并不存在一個(gè)完美的預(yù)測方案。股票預(yù)測一直以來都是學(xué)術(shù)界和金融界的研究熱點(diǎn)。自從股票市場誕生以來，眾多國家的科學(xué)家和專業(yè)人士先后嘗試了各種方法來預(yù)測股票價(jià)格的時(shí)間序列，其中包括統(tǒng)計(jì)學(xué)方法，計(jì)量經(jīng)濟(jì)學(xué)模型，人工智能與機(jī)器學(xué)習(xí)等?，F(xiàn)有技術(shù)中，沿用至今的分析方法大致上可以分為基本面分析法與技術(shù)分析法兩大類。其中基本面分析法著手點(diǎn)在于國家經(jīng)濟(jì)政策與公司的基本面等信息，而技術(shù)分析方法則側(cè)重利用歷史數(shù)據(jù)帶入數(shù)學(xué)模型或機(jī)器中來訓(xùn)練和演算。具體而言，基本面分析方法，是通過宏觀國家經(jīng)濟(jì)政策、世界經(jīng)濟(jì)局勢、企業(yè)基本盈利狀態(tài)和未來行業(yè)發(fā)展前景等基本面因素來研究公司股票價(jià)格變動(dòng)趨勢的。常用的分析面主要包括宏觀經(jīng)濟(jì)政策、企業(yè)基本盈利狀態(tài)、行業(yè)發(fā)展前景等。但是基本面分析方法中的影響因素極難定量，并且其影響因素一般都處于一個(gè)長期的經(jīng)濟(jì)周期中，需要學(xué)者們實(shí)時(shí)跟蹤才能真正在預(yù)測股價(jià)走向時(shí)有所幫助。技術(shù)分析法相比基本面分析來說，是量化研究價(jià)格走勢方法。主要依靠的是股票的量化指標(biāo)，如開盤價(jià)、收盤價(jià)和成交量等。從作用上講，技術(shù)分析法比較注重市場本身的運(yùn)行規(guī)律，其適合于對市場進(jìn)行短期分析，但是難以預(yù)測價(jià)格的長遠(yuǎn)趨勢。技術(shù)分析重視數(shù)量方面的變化，并通過相關(guān)因素?cái)?shù)量上的變化研究與分析目標(biāo)的相關(guān)性。技術(shù)分析依賴的理論前提主要有兩個(gè)，首先是歷史數(shù)據(jù)代表市場發(fā)展過程，其次是價(jià)格變動(dòng)具有趨勢性與自影響性。目前較為常見的技術(shù)分析方法主要分為兩類：1)以arima(自回歸移動(dòng)平均模型，autoregressiveintegratedmovingaveragemodel)、arch模型為代表的傳統(tǒng)時(shí)間序列分析方法；2)近年來興起的機(jī)器學(xué)習(xí)方法。傳統(tǒng)時(shí)間序列分析方法主要是通過將時(shí)間序列數(shù)據(jù)分解為趨勢項(xiàng)、周期項(xiàng)與噪音項(xiàng)三個(gè)部分，從而實(shí)現(xiàn)預(yù)測。為了實(shí)現(xiàn)這個(gè)分解，往往需要平穩(wěn)性、可逆性、正態(tài)分布等假設(shè)前提，對于不平穩(wěn)序列還需要通過差分等手段將非平穩(wěn)時(shí)間序列轉(zhuǎn)換為平穩(wěn)時(shí)間序列。但是，機(jī)器學(xué)習(xí)方法主要是通過海量數(shù)據(jù)的訓(xùn)練來最小化損失函數(shù)，從而實(shí)現(xiàn)擬合數(shù)據(jù)特征，實(shí)現(xiàn)預(yù)測未來走向的目的。此外，目前有現(xiàn)有方案是使用單個(gè)lstm模型進(jìn)行股票預(yù)測的方法，lstm模型是循環(huán)神經(jīng)網(wǎng)絡(luò)模型的一個(gè)變種，能夠解決時(shí)間序列分析中的長時(shí)依賴問題。但是，現(xiàn)有方法中使用單個(gè)lstm模型進(jìn)行預(yù)測的缺點(diǎn)較多：首先，lstm模型作為一種深度學(xué)習(xí)模型，需要大量數(shù)據(jù)進(jìn)行訓(xùn)練，而現(xiàn)有的模型僅使用單支股票的歷史交易數(shù)據(jù)進(jìn)行日線預(yù)測，數(shù)據(jù)量過小，即使是1991年就已經(jīng)上市的公司，其至今的股票日線數(shù)據(jù)也僅有不到9000條，與訓(xùn)練lstm模型所需要的海量數(shù)據(jù)相比差距甚大；其次，單個(gè)lstm模型的訓(xùn)練方式實(shí)際上是在預(yù)測每個(gè)時(shí)刻向上或者向上的動(dòng)量，無法實(shí)現(xiàn)對未來較長一段時(shí)間的預(yù)測。因而，雖然現(xiàn)有技術(shù)使用單個(gè)lstm模型實(shí)現(xiàn)了與真實(shí)曲線幾乎一致的預(yù)測曲線，但是其結(jié)果具有一定的迷惑性。因?yàn)槠漕A(yù)測曲線由對各個(gè)時(shí)刻分別預(yù)測的單一預(yù)測點(diǎn)組成，預(yù)測的起點(diǎn)使用的是上一段時(shí)間的真實(shí)歷史數(shù)據(jù)，但后續(xù)預(yù)測點(diǎn)都是由前一個(gè)預(yù)測點(diǎn)的真實(shí)數(shù)據(jù)來預(yù)測。這樣會導(dǎo)致即使每個(gè)時(shí)刻都具有較大偏差(最終結(jié)果可能會與真實(shí)曲線接近)，因此現(xiàn)有的基于單個(gè)lstm模型的簡單預(yù)測方法誤差較大且實(shí)用性較低。技術(shù)實(shí)現(xiàn)要素：基于此，有必要針對上述lstm模型的簡單預(yù)測方法誤差較大且實(shí)用性較低的問題，提供一種智能終端及其基于lstm的股票趨勢預(yù)測方法，能夠提高對于股票趨勢預(yù)測的準(zhǔn)確度，有效地減小誤差，在一定程度上把握比如多方力量影響下的股票走勢。一種基于lstm的股票趨勢預(yù)測方法，所述基于lstm的股票趨勢預(yù)測方法包括：獲取目標(biāo)股票的歷史數(shù)據(jù)；將所述歷史數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗、歸一化；將清洗歸一化后的歷史數(shù)據(jù)按照時(shí)間劃分為訓(xùn)練數(shù)據(jù)集與測試數(shù)據(jù)集；對所述訓(xùn)練數(shù)據(jù)集的訓(xùn)練數(shù)據(jù)進(jìn)行離線模型訓(xùn)練，以分別訓(xùn)練長短期記憶神經(jīng)網(wǎng)絡(luò)lstm的多個(gè)神經(jīng)網(wǎng)絡(luò)模型；獲取訓(xùn)練數(shù)據(jù)對于訓(xùn)練后的多個(gè)神經(jīng)網(wǎng)絡(luò)模型輸出的預(yù)測值列表，將所述預(yù)測值列表與實(shí)際的股票趨勢值進(jìn)行比較，計(jì)算得到多個(gè)神經(jīng)網(wǎng)絡(luò)模型作為組合模型時(shí)所占的權(quán)重值；利用測試數(shù)據(jù)集的測試數(shù)據(jù)對組合模型中的多個(gè)神經(jīng)網(wǎng)絡(luò)模型評估預(yù)測效果，根據(jù)預(yù)測效果調(diào)整所述多個(gè)神經(jīng)網(wǎng)絡(luò)模型作為組合模型時(shí)所占的權(quán)重值。一種智能終端，所述智能終端包括處理器，所述處理器用于讀取并執(zhí)行程序數(shù)據(jù)，可實(shí)現(xiàn)上述的基于lstm的股票趨勢預(yù)測方法。上述基于lstm的股票趨勢預(yù)測方法通過將歷史數(shù)據(jù)按照時(shí)間劃分為訓(xùn)練數(shù)據(jù)集與測試數(shù)據(jù)集，對所述訓(xùn)練數(shù)據(jù)集的訓(xùn)練數(shù)據(jù)進(jìn)行離線模型訓(xùn)練，以分別訓(xùn)練lstm的多個(gè)神經(jīng)網(wǎng)絡(luò)模型，接著，獲取訓(xùn)練數(shù)據(jù)對于訓(xùn)練后的多個(gè)神經(jīng)網(wǎng)絡(luò)模型輸出的預(yù)測值列表，并將所述預(yù)測值列表與實(shí)際的股票趨勢值進(jìn)行比較，以計(jì)算得到多個(gè)神經(jīng)網(wǎng)絡(luò)模型作為組合模型時(shí)所占的權(quán)重值，最終，利用測試數(shù)據(jù)集的測試數(shù)據(jù)對組合模型中的多個(gè)神經(jīng)網(wǎng)絡(luò)模型評估預(yù)測效果，根據(jù)預(yù)測效果調(diào)整所述多個(gè)神經(jīng)網(wǎng)絡(luò)模型作為組合模型時(shí)所占的權(quán)重值。本申請通過組合模型的方式，避免單個(gè)lstm模型的簡單預(yù)測方法誤差較大且實(shí)用性較低的問題，并通過計(jì)算調(diào)整組合模型的權(quán)重值，進(jìn)一步提高預(yù)測的準(zhǔn)確性。本申請能夠提高對于股票趨勢預(yù)測的準(zhǔn)確度，有效地減小誤差，在一定程度上把握比如多方力量影響下的股票走勢。附圖說明圖1為一實(shí)施例中基于lstm的股票趨勢預(yù)測方法的流程示意圖；圖2為一實(shí)施例中智能終端的模塊框圖。具體實(shí)施方式請參閱圖1，圖1為一實(shí)施例中基于lstm的股票趨勢預(yù)測方法的流程示意圖。在圖1所示實(shí)施例中，本實(shí)施例的所述基于lstm的股票趨勢預(yù)測方法包括但不限于如下步驟。s100、獲取目標(biāo)股票的歷史數(shù)據(jù)。在s100中，所述獲取目標(biāo)股票的歷史數(shù)據(jù)，本實(shí)施例具體可以包括：獲取目標(biāo)股票、目標(biāo)股票的同一板塊、所在大盤、其他相關(guān)股票、和/或房價(jià)等相關(guān)領(lǐng)域數(shù)據(jù)進(jìn)行融合，以綜合得到所述目標(biāo)股票的歷史數(shù)據(jù)。進(jìn)一步而言，所述以綜合得到所述目標(biāo)股票的歷史數(shù)據(jù)，在本實(shí)施例中可以包括如下過程：根據(jù)目標(biāo)股票的數(shù)據(jù)分布特點(diǎn)，使用接受-拒絕采樣方法，選取分布相似的目標(biāo)股票的同一板塊、所在大盤、其他相關(guān)股票、和/或房價(jià)等相關(guān)領(lǐng)域數(shù)據(jù)，與目標(biāo)股票的數(shù)據(jù)一并構(gòu)成原始的所述歷史數(shù)據(jù)。不難看出，針對現(xiàn)有實(shí)際情況中，股票歷史交易數(shù)據(jù)過少的問題，將股票所在大盤的歷史數(shù)據(jù)，以及同一板塊股票的歷史交易數(shù)據(jù)等等，作為股票相關(guān)歷史數(shù)據(jù)，可以有效地解決存在的歷史數(shù)據(jù)的數(shù)據(jù)量過少的問題。s101、將所述歷史數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗、歸一化。s102、將清洗歸一化后的歷史數(shù)據(jù)按照時(shí)間劃分為訓(xùn)練數(shù)據(jù)集與測試數(shù)據(jù)集。需要說明的是，所述將清洗歸一化后的歷史數(shù)據(jù)按照時(shí)間劃分為訓(xùn)練數(shù)據(jù)集與測試數(shù)據(jù)集，在本實(shí)施例可以具體包括：將所述歷史數(shù)據(jù)中時(shí)間位于指定時(shí)刻之前的早期數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)集，將所述歷史數(shù)據(jù)中時(shí)間位于指定時(shí)刻之后的晚期數(shù)據(jù)劃分為測試數(shù)據(jù)集。s103、對所述訓(xùn)練數(shù)據(jù)集的訓(xùn)練數(shù)據(jù)進(jìn)行離線模型訓(xùn)練，以分別訓(xùn)練長短期記憶神經(jīng)網(wǎng)絡(luò)lstm的多個(gè)神經(jīng)網(wǎng)絡(luò)模型。值得注意的是，在s103對所述訓(xùn)練數(shù)據(jù)集的訓(xùn)練數(shù)據(jù)進(jìn)行離線模型訓(xùn)練之前，還可以包括：使用訓(xùn)練數(shù)據(jù)集的訓(xùn)練數(shù)據(jù)生成不同跨度的時(shí)間序列數(shù)據(jù)；其中，對于每個(gè)時(shí)間跨度(t0,t1,t2,...tn)，使用(t0,t1,t2,...tn-1)作為輸入值，使用tn-1與tn之間的差異值，將其進(jìn)行離散化后，轉(zhuǎn)換為獨(dú)熱碼數(shù)據(jù)作為監(jiān)督值(validation)。其中，s103中對所述訓(xùn)練數(shù)據(jù)集的訓(xùn)練數(shù)據(jù)進(jìn)行離線模型訓(xùn)練，可以對應(yīng)包括：使用不同跨度的時(shí)間序列數(shù)據(jù)中的每份時(shí)間序列數(shù)據(jù)分別訓(xùn)練lstm的多個(gè)神經(jīng)網(wǎng)絡(luò)模型。需要說明的是，本實(shí)施例的組合模型可以在spark(分布式內(nèi)存計(jì)算)平臺上的分布式訓(xùn)練方式。在s103中，所述對所述訓(xùn)練數(shù)據(jù)集的訓(xùn)練數(shù)據(jù)進(jìn)行離線模型訓(xùn)練，本實(shí)施例具體可以包括：對所述訓(xùn)練數(shù)據(jù)集的訓(xùn)練數(shù)據(jù)采用基于內(nèi)存計(jì)算的分布式訓(xùn)練方法進(jìn)行訓(xùn)練，其中，將訓(xùn)練數(shù)據(jù)分發(fā)到各個(gè)節(jié)點(diǎn)上并將神經(jīng)網(wǎng)絡(luò)模型的初始模型參數(shù)廣播給各個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)根據(jù)當(dāng)前的模型參數(shù)與一定規(guī)模的訓(xùn)練數(shù)據(jù)，獲得當(dāng)前梯度與模型參數(shù)更新量，通過匯總各個(gè)節(jié)點(diǎn)反饋的模型參數(shù)更新量來更新模型參數(shù)，并將更新后的模型參數(shù)廣播給各個(gè)節(jié)點(diǎn)，依此迭代反復(fù)，以根據(jù)要求完成單個(gè)lstm神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練。不難看出，本實(shí)施例針對lstm模型用于回歸問題上精度低問題，通過離散化手段將股票趨勢預(yù)測回歸問題轉(zhuǎn)換為分類問題，可以有效地提高預(yù)測精度。此外，本實(shí)施例的基于內(nèi)存計(jì)算的分布式訓(xùn)練方法進(jìn)行訓(xùn)練，可以有效地加快訓(xùn)練的速度。s104、獲取訓(xùn)練數(shù)據(jù)對于訓(xùn)練后的多個(gè)神經(jīng)網(wǎng)絡(luò)模型輸出的預(yù)測值列表，將所述預(yù)測值列表與實(shí)際的股票趨勢值進(jìn)行比較，計(jì)算得到多個(gè)神經(jīng)網(wǎng)絡(luò)模型作為組合模型時(shí)所占的權(quán)重值。在s104中，所述計(jì)算得到多個(gè)神經(jīng)網(wǎng)絡(luò)模型作為組合模型時(shí)所占的權(quán)重值，本實(shí)施例具體可以包括：通過多個(gè)時(shí)段的訓(xùn)練數(shù)據(jù)，使用線性回歸的方法，得到各個(gè)lstm神經(jīng)網(wǎng)絡(luò)模型在最終的組合模型輸出中的權(quán)重值。s105、利用測試數(shù)據(jù)集的測試數(shù)據(jù)對組合模型中的多個(gè)神經(jīng)網(wǎng)絡(luò)模型評估預(yù)測效果，根據(jù)預(yù)測效果調(diào)整所述多個(gè)神經(jīng)網(wǎng)絡(luò)模型作為組合模型時(shí)所占的權(quán)重值。不難看出，本實(shí)施例針對單個(gè)lstm出現(xiàn)的預(yù)測精確度不高的問題，提出模型組合的方法，從而在實(shí)際股市中，普通投資者可以預(yù)測股市會根據(jù)不同時(shí)間跨度的股市信息分別判斷，最終綜合考量，從而得出對于股市走勢的較好判斷。具體而言，本實(shí)施例在具體應(yīng)用時(shí)可以針對股票時(shí)間序列數(shù)據(jù)的特點(diǎn)，使用不同長度的時(shí)間窗口，生成序列數(shù)據(jù)，使用不同的序列數(shù)據(jù)訓(xùn)練lstm模型，然后將其組合，使用線性回歸方法確定各個(gè)模型的權(quán)重，從而提高預(yù)測精度。s106、使用滾動(dòng)時(shí)間窗口的方式對未來預(yù)定時(shí)間段的股票趨勢具體數(shù)值進(jìn)行預(yù)測。在s106中，所述使用滾動(dòng)窗口的方式對未來預(yù)定時(shí)間段的股票趨勢進(jìn)行預(yù)測，本實(shí)施例具體可以包括：將組合模型預(yù)測的漲跌幅轉(zhuǎn)換為被預(yù)測時(shí)刻的預(yù)測數(shù)值，再將當(dāng)前預(yù)測出的預(yù)測數(shù)值，填入下一被預(yù)測時(shí)刻的時(shí)間窗口，并依此交替循環(huán)；當(dāng)獲取到目標(biāo)股票實(shí)際變化趨勢的實(shí)際數(shù)值時(shí)，將預(yù)測數(shù)值與實(shí)際數(shù)值對比，并根據(jù)對比結(jié)果將實(shí)際數(shù)值作為一組新的訓(xùn)練數(shù)據(jù)，代入模型以更新模型參數(shù)。需要說明的是，滾動(dòng)窗口的方式可以為逐次單個(gè)時(shí)間窗口滾動(dòng)循環(huán)，也可以是多組時(shí)間窗口一并滾動(dòng)循環(huán)，在此不作限定。在本實(shí)施例中，監(jiān)督值也就是目標(biāo)值(target)，在本
技術(shù)領(lǐng)域：
中為涉及機(jī)器學(xué)習(xí)的監(jiān)督學(xué)習(xí)概念，在有監(jiān)督學(xué)習(xí)中，本申請計(jì)算過程中的算法通過預(yù)測數(shù)值與監(jiān)督值之間的差值計(jì)算損失(loss)，然后根據(jù)損失更新模型參數(shù)，迭代反復(fù)，實(shí)現(xiàn)機(jī)器學(xué)習(xí)中的訓(xùn)練過程，最終使得預(yù)測數(shù)值與監(jiān)督值相同。本申請通過組合模型的方式，避免單個(gè)lstm模型的簡單預(yù)測方法誤差較大且實(shí)用性較低的問題，并通過計(jì)算調(diào)整組合模型的權(quán)重值，進(jìn)一步提高預(yù)測的準(zhǔn)確性。本申請能夠提高對于股票趨勢預(yù)測的準(zhǔn)確度，有效地減小誤差，在一定程度上把握比如多方力量影響下的股票走勢。舉例而言，本申請可以包括下述的具體應(yīng)用例中，其中，本申請的具體應(yīng)用例不應(yīng)用來限制本申請的范圍。應(yīng)用例：(1)首先獲取目標(biāo)股票的歷史數(shù)據(jù)，包括但不限于同一板塊、所在大盤、以及其他相關(guān)股票的數(shù)據(jù)等等，隨后根據(jù)目標(biāo)股票的數(shù)據(jù)分布特點(diǎn)，使用接受-拒絕采樣方法，選取分布相似的其他相關(guān)股票數(shù)據(jù)，與目標(biāo)股票歷史數(shù)據(jù)一起構(gòu)成綜合的歷史數(shù)據(jù)；(2)將歷史數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗、歸一化，然后將清洗后的歷史數(shù)據(jù)按照時(shí)間劃分為訓(xùn)練數(shù)據(jù)集與測試數(shù)據(jù)集，比如較為早期的數(shù)據(jù)被劃分為訓(xùn)練數(shù)據(jù)集，較為晚期的數(shù)據(jù)被劃分為測試數(shù)據(jù)集。使用訓(xùn)練數(shù)據(jù)集的數(shù)據(jù)生成不同跨度的時(shí)間序列數(shù)據(jù)x1,x2,...xn，其中時(shí)間跨度(1<x1<x2,...<xn)。對于每個(gè)時(shí)間跨度(t0,t1,t2,...tn)，使用(t0,t1,t2,...tn-1)作為輸入值x，使用tn-1與tn之間的差異值,將其依照表1.1離散化后，轉(zhuǎn)換為獨(dú)熱碼數(shù)據(jù)作為監(jiān)督值y。在本實(shí)施例中，下列表1.1的劃分是根據(jù)大量股票歷史交易數(shù)據(jù)匯總而得，依照其劃分可使得落在各個(gè)范圍內(nèi)點(diǎn)的數(shù)目大致相等：表1.1漲跌幅與獨(dú)熱碼對應(yīng)表漲跌幅s對應(yīng)獨(dú)熱碼s≥5％00000000015％＞s≥2％00000000102％＞s≥1％00000001001％＞s≥0.5％00000010000.5％＞s≥000000100000＞s≥-0.5％0000100000-0.5％＞s≥-1％0001000000-1％＞s≥-2％0010000000-2％＞s≥-5％0100000000-5％＞s1000000000(3)在訓(xùn)練數(shù)據(jù)生成好后，進(jìn)行離線模型的訓(xùn)練，使用訓(xùn)練數(shù)據(jù)集生成的不同跨度的時(shí)間序列數(shù)據(jù)x1,x2,...xn，對于每份時(shí)間序列數(shù)據(jù)分別訓(xùn)練lstm神經(jīng)網(wǎng)絡(luò)模型m1,m2,...mn。(4)鑒于深度學(xué)習(xí)訓(xùn)練速度比較慢，而本實(shí)施例需要訓(xùn)練多個(gè)模型，因此本實(shí)施例基于內(nèi)存計(jì)算的分布式訓(xùn)練方法，首先將數(shù)據(jù)分發(fā)到各個(gè)節(jié)點(diǎn)上，隨后將初始模型參數(shù)廣播給各個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)根據(jù)當(dāng)前的模型參數(shù)與一定規(guī)模(onebatch)的訓(xùn)練數(shù)據(jù)，獲得當(dāng)前梯度與模型參數(shù)更新量，然后通過匯總各個(gè)節(jié)點(diǎn)反饋的更新量來更新模型參數(shù)，并再將更新后的模型參數(shù)廣播出去，這樣迭代反復(fù)，最終根據(jù)要求完成單個(gè)lstm神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程。(5)在訓(xùn)練數(shù)據(jù)集中隨機(jī)抽取若干段時(shí)間，對于每個(gè)訓(xùn)練好的lstm神經(jīng)網(wǎng)絡(luò)模型mn，輸出其對于該段時(shí)間(例如：t0時(shí)段)的預(yù)測值得到各個(gè)模型的預(yù)測值列表再以真實(shí)的股票趨勢值y0作為參照,得到對于t0時(shí)段的訓(xùn)練數(shù)據(jù)通過多個(gè)時(shí)段的訓(xùn)練數(shù)據(jù)，使用線性回歸的方法，得到各個(gè)lstm神經(jīng)網(wǎng)絡(luò)模型在最終的組合模型輸出中的權(quán)重值。(6)對于訓(xùn)練好的組合模型，使用測試數(shù)據(jù)集評估其預(yù)測效果，并根據(jù)評估結(jié)果調(diào)節(jié)組合模型的各項(xiàng)超參數(shù)。(7)在實(shí)際預(yù)測過程中借助組合模型，使用滾動(dòng)窗口的方式實(shí)現(xiàn)對于未來一段時(shí)間股票走勢的預(yù)測，比如：將組合模型預(yù)測的漲跌幅轉(zhuǎn)換為被預(yù)測日的收盤價(jià)等信息的具體數(shù)值，再將當(dāng)前預(yù)測出的具體數(shù)值，填入下一時(shí)刻的時(shí)間窗口，這樣交替循環(huán)，可以在保證精度的情況下，實(shí)現(xiàn)對于未來一段時(shí)間內(nèi)股票走勢的預(yù)測。(8)當(dāng)獲取到實(shí)際變化趨勢數(shù)據(jù)時(shí)，將預(yù)測結(jié)果與實(shí)際結(jié)果對比，同時(shí)作為一組新的訓(xùn)練數(shù)據(jù)，代入模型，更新模型參數(shù)。本申請使用level1的股票歷史交易數(shù)據(jù)進(jìn)行模擬實(shí)驗(yàn)，其對于股票走勢的預(yù)測較為準(zhǔn)確，總體表現(xiàn)平穩(wěn)，能夠在一定程度上把握在多方力量影響下的股票走勢。與現(xiàn)有技術(shù)相比，本申請具有更高的準(zhǔn)確度與魯棒性。請參閱圖2，本申請還提供一種智能終端20，所述智能終端包括存儲設(shè)備21和處理器22，所述處理器22用于讀取并執(zhí)行存儲設(shè)備21中的程序數(shù)據(jù)，可實(shí)現(xiàn)前面任一實(shí)施例所述的基于長短期記憶神經(jīng)網(wǎng)絡(luò)的股票趨勢預(yù)測方法。需要說明的是，智能終端20可以為手機(jī)、平板電腦或臺式電腦，也可以為服務(wù)器。此外，本實(shí)施例的存儲設(shè)備21可以為外接的，也可以為設(shè)置于智能終端20內(nèi)的，在此不作限定。上述基于lstm的股票趨勢預(yù)測方法和智能終端，通過將歷史數(shù)據(jù)按照時(shí)間劃分為訓(xùn)練數(shù)據(jù)集與測試數(shù)據(jù)集，對所述訓(xùn)練數(shù)據(jù)集的訓(xùn)練數(shù)據(jù)進(jìn)行離線模型訓(xùn)練，以分別訓(xùn)練lstm的多個(gè)神經(jīng)網(wǎng)絡(luò)模型，接著，獲取訓(xùn)練數(shù)據(jù)對于訓(xùn)練后的多個(gè)神經(jīng)網(wǎng)絡(luò)模型輸出的預(yù)測值列表，并將所述預(yù)測值列表與實(shí)際的股票趨勢值進(jìn)行比較，以計(jì)算得到多個(gè)神經(jīng)網(wǎng)絡(luò)模型作為組合模型時(shí)所占的權(quán)重值，最終，利用測試數(shù)據(jù)集的測試數(shù)據(jù)對組合模型中的多個(gè)神經(jīng)網(wǎng)絡(luò)模型評估預(yù)測效果，根據(jù)預(yù)測效果調(diào)整所述多個(gè)神經(jīng)網(wǎng)絡(luò)模型作為組合模型時(shí)所占的權(quán)重值。本申請通過組合模型的方式，避免單個(gè)lstm模型的簡單預(yù)測方法誤差較大且實(shí)用性較低的問題，并通過計(jì)算調(diào)整組合模型的權(quán)重值，進(jìn)一步提高預(yù)測的準(zhǔn)確性。本申請能夠提高對于股票趨勢預(yù)測的準(zhǔn)確度，有效地減小誤差，在一定程度上把握比如多方力量影響下的股票走勢。在本申請所提供的幾個(gè)實(shí)施例中，應(yīng)該理解到，以上所描述的實(shí)施例僅僅是示意性的，僅僅為一種邏輯功能劃分，實(shí)際實(shí)現(xiàn)時(shí)可以有另外的劃分方式，例如一些特征可以忽略，或不執(zhí)行。本申請的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻(xiàn)的部分或者該技術(shù)方案的全部或部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計(jì)算機(jī)軟件產(chǎn)品存儲在一個(gè)存儲介質(zhì)中，包括若干指令用以使得一臺計(jì)算機(jī)設(shè)備(可以是個(gè)人計(jì)算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)或處理器(processor)執(zhí)行本申請各個(gè)實(shí)施方式所述方法的全部或部分步驟。而前述的存儲介質(zhì)包括：u盤、移動(dòng)硬盤、只讀存儲器(rom，read-onlymemory)、隨機(jī)存取存儲器(ram，randomaccessmemory)、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。以上所述僅為本申請的實(shí)施例，并非因此限制本申請的專利范圍，凡是利用本申請說明書及附圖內(nèi)容所作的等效結(jié)構(gòu)或等效流程變換，或直接或間接運(yùn)用在其他相關(guān)的
技術(shù)領(lǐng)域：
，均同理包括在本申請的專利保護(hù)范圍內(nèi)。當(dāng)前第1頁12