一种基于生成对抗网络的股票价格预测系统

本发明涉及深度学习和股票预测领域，尤其涉及一种基于生成对抗网络的股票价格预测系统；

背景技术：

1、随着全球金融市场的快速发展和股票交易活动的增加，股票价格预测已成为经济研究的重点之一。有效的股票价格预测能够显著提高投资回报并减少金融风险，这种预测能力不仅有助于缓解市场波动，还能增强市场参与者的信心，推动金融市场的整体稳定和健康发展。此外，准确的股票价格预测对于优化资源分配、引导资金流向具有重要作用，从而促进经济效率的提升。因此，掌握和应用先进的预测方法，对于维护经济的长期稳定与增长至关重要；

2、早期的股票价格预测方法多采用传统线性模型，传统线性方法基于统计学构建模型，如自回归移动平均模型(arima)、广义自回归条件异方差模型(garch)，上述方法往往需要进行平稳性等检验，然后再进行数据预处理，并且缺乏对于非线性股票序列的良好预测能力；

3、在互联网技术不断发展的进程中，也出现了不少股票价格预测的方法；例如，采用支持向量机模型来进行特征选择以及价格预测；有人提出了使用具有误差反向传播的前馈多层感知机的人工神经网络来预测股价；但是都不能产生理想的预测结果；

技术实现思路

1、为解决现有股票价格预测模型预测准确度不理想的问题，本发明提供了一种基于生成对抗网络的股票价格预测系统；

2、一种基于生成对抗网络的股票价格预测系统，所述的预测方法包括以下步骤：

3、s1：股票数据的获取；

4、s2：对股票数据进行预处理，所述预处理包括缺失值处理以及对缺失值处理后的数据进行归一化处理；将预处理后数据划分为训练集与测试集，其比例为8：2；

5、s3：构建包括生成器和判别器的股票收盘价预测模型；所述生成器由长短期记忆网络和注意力机制构成，用于生成预测的股票价格；所述判别器由卷积神经网络和全连接层构成，用于鉴别真实的股票价格与生成的股票价格；

6、s4：将步骤s2中划分出的训练集作为s3中所构建的股票收盘价预测模型的训练标本进行模型训练；

7、s5：使用训练好的预测模型对测试集进行预测，得到预测结果，并根据模型预测效果的评估指标进行评估；

8、进一步的，所述步骤s1具体为：股票数据基本信息是通过使用python中的yfinance模块获取的，其中包括股票的开盘价、收盘价、最低价、最高价、调整后的收盘价、交易量、百分比变化、相对强弱指数、未成熟随机值、平均真实波幅、7日移动平均线、14日移动平均线、14日移动平均线、上轨线、下轨线和移动平均收敛指标；

9、进一步的，所述步骤s2具体为：对缺失值处理的步骤如下：

10、对原始数据连续缺失数量超过样本量50％的选择删除，对缺失数据缺失量小，对后期建模无影响的采取平均值填充；

11、进一步的，所述步骤s2具体为：对数据集进行归一化处理的具体公式如下：

12、

13、其中，x为原始数据，xstd为归一化后的值，xmin为原始数据中的最小值，xmax为原始数据中的最大值；

14、进一步的，所述步骤s3具体为：所述生成器由长短期记忆网络和注意力层构成，所述判别器由三层卷积神经网络与三个全连接层组成；

15、进一步的，所述步骤s4具体为：所述生成器的学习率为0.0001，优化器为adma,防止过拟合的函数为dropout,激活函数为sigmoid；判别器的卷积核大小为3*3，步长为1，激活函数为leakyrelu，学习率为0.0001；全连接层输出维度为1，激活函数为sigmoid；

16、进一步的，所述步骤s4具体为：训练批次大小为128，训练次数为200次；

17、进一步的，所述步骤s5具体为：模型预测效果的评估指标选取平均绝对误差、均方根误差和决定系数；

18、所述平均绝对误差的计算公式为：

19、

20、所述均方根误差的计算公式为：

21、

22、所述决定系数的计算公式为：

23、

24、其中，mae为平均绝对误差，rmse为均方根误差，r2为决定系数，yi′表示在i时刻的预测值，yi表示在i时刻的实际值，表示在i时刻的预测平均值，n是样本总数；

25、本发明的有益效果是：本发明提出的基于生成对抗网络的股票价格预测系统，生成器是由长短期记忆网络和注意力机制构成，判别器是由卷积神经网络和全连接层构成，生成器和判别器呈现出一种动态的对抗关系：生成器不断学习如何更好地模仿数据分布，以欺骗判别器；而判别器则不断提高其识别生成数据和真实数据的能力，这种对抗过程导致两个模型的能力都在不断提升；同时，由于生成器加入注意力机制层，这有助于模型从一开始就关注于那些对结果影响最大的特征，从而使得整个预测模型提高预测结果的准确性，因此可以给投资者提供更好的投资建议；

技术特征：

1.一种基于生成对抗网络的股票价格预测系统，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于生成对抗网络的股票价格预测系统，其特征在于：所述步骤s1中，本发明中的股票数据基本信息是通过使用python中的yfinance模块获取的，其中包括股票的开盘价、收盘价、最低价、最高价、调整后的收盘价、交易量、百分比变化、相对强弱指数、未成熟随机值、平均真实波幅、7日移动平均线、14日移动平均线、14日移动平均线、上轨线、下轨线和移动平均收敛指标。

3.根据权利要求1所述的一种融合波动性的股票预测系统，其特征在于：所描述步骤s2中，对缺失值处理的步骤如下：

4.根据权利要求1所述的一种融合波动性的股票预测系统，其特征在于：所描述步骤s2中，对数据集进行归一化处理的具体公式如下：

5.根据权利要求1所述的一种基于生成对抗网络的股票价格预测系统，其特征在于：所描述步骤s3中，所述生成器由长短期记忆网络和注意力层构成，所述判别器由三层卷积神经网络与三个全连接层组成。

6.据权利要求1所述的一种基于生成对抗网络的股票价格预测系统，其特征在于：所描述步骤s4中，生成器的学习率为0.0001，优化器为adma，防止过拟合的函数为dropout,激活函数为sigmoid；判别器的卷积核大小为3*3，步长为1，激活函数为leakyrelu，学习率为0.0001。全连接层输出维度为1，激活函数为sigmoid。

7.据权利要求1所述的一种基于生成对抗网络的股票价格预测系统，其特征在于：所描述步骤s4中，训练批次大小为128，训练次数为200次。

8.据权利要求1所述的一种基于生成对抗网络的股票价格预测系统，其特征在于：所描述步骤s5中，模型预测效果的评估指标选取平均绝对误差、均方根误差和决定系数；

技术总结本发明公开了一种基于生成对抗网络的股票价格预测系统，通过python语言中的yfinance模块获取股票数据，并对数据进行预处理，所述预处理包括缺失值处理以及对缺失值处理后的数据进行归一化处理，将预处理后的数据按一定比例划分为训练集与测试集。构建包括生成器和判别器的股票收盘价预测模型，生成器由长短期记忆网络和注意力机制构成，用于生成预测的股票价格。所述判别器由卷积神经网络和全连接层构成，用于鉴别真实的股票价格与生成的股票价格，本发明可以产生更为精准、更为理想的股票价格预测结果。技术研发人员：李鹏,魏岩瑞,尹莉莉受保护的技术使用者：哈尔滨理工大学技术研发日：技术公布日：2024/9/29