【技术实现步骤摘要】
本专利技术涉及金融信息处理，具体为金融信息预测方法和系统。
技术介绍
1、金融市场受到诸多因素的影响，包括经济指标、地缘政治事件和公司特定新闻，这些因素对股价的方向和价值产生不同程度的影响，使得同时准确预测两个方面变得复杂。
2、根据专利文件，名称为：一种基于深度学习的金融信息预测方法及装置(专利公开号为：cn110288123a，专利公开日为：2019-09-27)，通过采集待预测的金融时间序列数据，得到输入矩阵；根据所述金融时间序列数据，通过主成分分析计算得到权重矩阵；根据所述输入矩阵和权重矩阵通过神经网络模型进行训练，得到预测结果，提高了金融信息预测的准确度和稳定性。
3、而基于上述专利的表述，现有的市场常常波动不定，短期内股价波动剧烈，这种波动性使得在方向性和价值预测存在不精准的问题，并且在预测准确的数值变化方面，它们往往会失误，这是因为它们可能没有完全涵盖影响股价的复杂模式和波动性，以及预测策略缺乏多样性和市场兼容性，为此，本专利技术提供了金融信息预测方法和系统。
技术实现思路
1、针对现有技术的不足，本专利技术提供了金融信息预测方法和系统，解决了现有的金融信息预测无法同时进行方向性变化和数值上的精准预测，且预测的模型较为单一，并且预测策略缺乏多样性和市场兼容性的问题。
2、为实现以上目的，本专利技术通过以下技术方案予以实现：金融信息预测方法，具体包括以下步骤：
3、a1、收集和整理与股票相关的金融数据引入至数据源库中进行存
4、a2、对所需的数据进行提取并进行数据处理操作，采用volume-up变换策略来调整每日收益的分布，并基于收益的分布建立关于预测股票价格序列波动性的广义自回归条件方差模型，然后将广义自回归条件方差模型衍生的波动性与bi-lstm进行融合预测下一天的股票价格，接着对模型进行集成训练和优化；
5、a3、对训练和优化后的金融信息预测模型进行多项评估操作；
6、a4、评估完成后，将该金融信息预测模型引入至金融信息查询平台为用户提供金融预测操作。
7、优选的，所述a1中对收集和整理与股票相关金融数据的分析方式为：
8、b1、获取历史每日股票价格数据，且数据具体包括：开盘价、收盘价、最高价、最低价和交易量；
9、b2、并通过收益计算公式计算每日收益，且收益计算公式为：
10、
11、其中，rt为时间t的每日收益率，pt为时间t的收盘价，pt-1为时间t-1的收盘价；
12、且每个时间t的平方收益为：
13、b3、基于预处理数据，计算以下数据：移动平均收敛-背离指标、商品通道指数、移动平均线、动量、变动率、真实波幅、布林带、威廉指标和随机指标。
14、优选的，所述a2中volume-up变换策略的具体操作方式为：
15、c1、分析每日收益的分布情况，识别是否存在的偏斜或厚尾现象；
16、c2、假设p为原始的每日收益序列，经过vu变化后得到一个变换后的序列p’，并将低频事件分布到标签概率密度函数的右侧域。
17、优选的，所述c2中vu变化的数学原理为：
18、c01、通过假设一个递增函数为g(x)，使得y＝g(x)，变化前后累积分布函数之间的关系是：fy(y)＝fx(g-1(y))；
19、c02、对上述方程两边关于y值进行求导得到：
20、而函数g被定义为g(x)＝xα(where 0<α<1)，且α为超参数；
21、c03、利用c01-c02方程中的根式函数，得到关于fy(y)的函数为：
22、
23、优选的，所述基于收益的分布建立关于预测股票价格序列波动性的广义自回归条件方差模型具体操作方式为：
24、d1、基于变换后的序列p’给定一个时间序列yt，且yt的表达式为：yt＝μt+σtzt,zt～n(0,1)，其中yt为时间t的股票价格，μt为漂移波动，σt为时间t的预测波动性，zt～n(0,1)为独立同分布，均符合期望为0，方差为1的正态分布，
25、且收益残差∈t的计算方式为：其中ft为截至至时间t的信息；
26、d2、建立广义自回归条件方差模型，捕捉每日收益中的波动性聚类现象；
27、d3、使用诸如贝叶斯信息准则标准来选择广义自回归条件方差模型；
28、d4、从所选的广义自回归条件方差模型中预测条件方差；
29、d5、输出每个时间段的预测波动率序列标记为且的表达式为：其中，q为arch项的阶数，p:广义自回归条件方差模型的阶数，αi,βi,ω均为广义自回归条件方差模型的估计参数。
30、优选的，所述a2中广义自回归条件方差模型衍生的波动性与bi-lstm进行融合的具体步骤为：
31、e1、设计一个用于预测股票价格的bi-lstm网络结；
32、e2、配置bi-lstm单元以捕捉股票价格中短期和长期的依赖关系；
33、e3、将来自广义自回归条件方差模型的预测波动率系列作为辅助输入整合到bi-lstm网络中，为网络提供波动性信息；
34、e4、输出下一天的股票预测价格。
35、优选的，所述a2中模型的集成训练和优化具体操作步骤为：
36、f1、将数据拆分为训练集、验证集和测试集，且训练集占比80％，验证集占比10％，测试集占比10％；
37、f2、为分类器训练初始化模型；
38、f3、对数据进行归一化，将股票价格通过缩放器按照神经网络训练的范围进行缩放；
39、f4、设置一个训练样本标记为给训练样本设置相同的初始采样权重且的表达式为：
40、
41、f5、使用训练后的优化器和损失函数，训练混合预测器标记为fn，将均方误差整合，并根据方向预测的准确性添加了惩罚权重损失函数的计算方式：
42、
43、
44、其中，pi为时间i的预测价格，ai为时间i的实际价格，ai-1为时间i-1的实际价格，n'为方向预测正确的总预测次数，pup为实际价格中上涨方向的百分比；
45、f6、计算预测器fn的预测误差和集成权重wn，且计算公式为：
46、
47、
48、f7、更新训练样本的采样权重，且表达式为：
49、其中，训练样本的更新率xt，且并且exp(·)为指数函数；
50、f8、并重复f5-f7操作n-1次，直至所有混合预测器训练完成；
51、f9、最后调整超参数，优化模型在验证集上的性能。
52、优选的，所述a3中金融信息预测模型评估操作包括：
53、g1、关于衡量预测股票价格与实际股票价格指标的准确度评估操作，具体公式为：
54、其中，pi为时间i本文档来自技高网...
【技术保护点】
1.金融信息预测方法，其特征在于：具体包括以下步骤：
2.根据权利要求1所述的金融信息预测方法，其特征在于：所述A1中对收集和整理与股票相关金融数据的分析方式为：
3.根据权利要求2所述的金融信息预测方法，其特征在于：所述A2中Volume-Up变换策略的具体操作方式为：
4.根据权利要求3所述的金融信息预测方法，其特征在于：所述C2中VU变化的数学原理为：
5.根据权利要求3所述的金融信息预测方法，其特征在于：所述基于收益的分布建立关于预测股票价格序列波动性的广义自回归条件方差模型具体操作方式为：
6.根据权利要求5所述的金融信息预测方法，其特征在于：所述A2中广义自回归条件方差模型衍生的波动性与Bi-LSTM进行融合的具体步骤为：
7.根据权利要求1所述的金融信息预测方法，其特征在于：所述A2中模型的集成训练和优化具体操作步骤为：
8.根据权利要求1所述的金融信息预测方法，其特征在于：所述A3中金融信息预测模型评估操作包括：
9.根据权利要求1所述的金融信息预测方法，其特征在于：所
10.根据权利要求1-9任一项所述的金融信息预测方法的预测系统，其特征在于：包括数据源、信息预测系统和显示端，且数据源和信息预测系统间实现数据的双向交互，而信息预测系统和显示端间实现数据的双向交互，且信息预测系统包括：
...【技术特征摘要】
1.金融信息预测方法，其特征在于：具体包括以下步骤：
2.根据权利要求1所述的金融信息预测方法，其特征在于：所述a1中对收集和整理与股票相关金融数据的分析方式为：
3.根据权利要求2所述的金融信息预测方法，其特征在于：所述a2中volume-up变换策略的具体操作方式为：
4.根据权利要求3所述的金融信息预测方法，其特征在于：所述c2中vu变化的数学原理为：
5.根据权利要求3所述的金融信息预测方法，其特征在于：所述基于收益的分布建立关于预测股票价格序列波动性的广义自回归条件方差模型具体操作方式为：
6.根据权利要求5所述的金融信息预测方法，其特征在于：所述a2中广义自回归条件方差模型衍生的波动性与bi-lstm进行融合的具体步骤...
【专利技术属性】
技术研发人员：张锦帆，尹豪杰，王菁，周卓楹，郑晓英，顾海松，
申请(专利权)人：杭州跨视科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。